Create app.py

app.py

@@ -0,0 +1,53 @@
+import gradio as gr
+import numpy as np
+import matplotlib.pyplot as plt
+from tensorflow.keras.preprocessing import image
+from tensorflow.keras.models import load_model
+
+# Carregar o modelo treinado
+model = load_model('/kaggle/working/model_1.0000.h5')
+
+def predict_image(input_image):
+    # Carregar uma imagem e fazer a previsão
+    img = image.load_img(input_image, target_size=(224, 224))
+    img = image.img_to_array(img)
+    img = np.expand_dims(img, axis=0)
+    img = img / 255.0  # Normalizar a imagem (como fizemos durante o treinamento)
+
+    prediction = model.predict(img)
+
+    # Interpretar o resultado
+    if prediction[0][0] > 0.5:
+        result = "DOENTE"
+    else:
+        result = "NORMAL"
+
+    # Mostrar a imagem invertida
+    img_inverted = 1 - img  # Inverter a imagem
+
+    # Obter ativações da camada convolucional
+    activation_model = Model(inputs=model.input, outputs=model.layers[5].output)  # Substitua 5 pelo índice da camada desejada
+    activations = activation_model.predict(img)
+
+    # Criar um mapa de calor das ativações
+    plt.figure(figsize=(12, 5))
+    plt.subplot(1, 3, 1)
+    plt.imshow(image.load_img(input_image))
+    plt.title(f"Resultado da previsão: {result}")
+    plt.axis('off')
+
+    plt.subplot(1, 3, 2)
+    plt.imshow(img_inverted[0])
+    plt.title("Imagem Invertida")
+    plt.axis('off')
+
+    plt.subplot(1, 3, 3)
+    sns.heatmap(activations[0, :, :, 0], cmap='viridis')  # Ajuste o índice e o mapa de cores conforme necessário
+    plt.title("Mapa de Calor da Ativação")
+    plt.axis('off')
+
+    return plt
+
+# Criar uma interface Gradio
+iface = gr.Interface(fn=predict_image, inputs="image", outputs="matplotlib", title="Modelo de Classificação de Imagem")
+iface.launch()