Update app.py

app.py

@@ -2,7 +2,6 @@ import gradio as gr
 import numpy as np
 from tensorflow.keras.preprocessing import image
 from tensorflow.keras.models import load_model
-import matplotlib.pyplot as plt
 from PIL import Image as PILImage
 import io
 
@@ -10,50 +9,32 @@ import io
 model = load_model('model_1.0000.h5')
 
 def predict_and_invert(input_image):
-    # Redimensionar a imagem para (224, 224) - o tamanho esperado pelo modelo
     input_image = input_image.resize((224, 224))
-    
-    # Converter a imagem para o formato correto
-    img = image.img_to_array(input_image)
-    img = img / 255.0  # Normalizar a imagem (como fizemos durante o treinamento)
-
-    # Ajustar a imagem para o tamanho correto (224, 224, 3)
+    img = image.img_to_array(input_image) / 255.0
     img = np.expand_dims(img, axis=0)
-    img = img[:, :224, :224, :]  # Ajustar para 224x224 pixels
+    img = img[:, :224, :224, :]
 
     prediction = model.predict(img)
 
-    # Interpretar o resultado
     if prediction[0][0] > 0.5:
-        result = "Há uma alta probabilidade de anomalia cardíaca (Doente)"
+        result = "Anomalia cardíaca (Doente)"
     else:
-        result = "Não há evidência significativa de anomalia cardíaca (Normal)"
+        result = "Normal (Sem anomalia)"
 
-    # Inverter a imagem
-    img_inverted = 1 - img  # Inverter a imagem
+    img_inverted = 1 - img[0]  # Inverter a imagem
 
-    # Converter a imagem invertida de volta para o formato PIL
-    img_inverted_pil = PILImage.fromarray(np.uint8(img_inverted[0] * 255))
+    img_inverted_pil = PILImage.fromarray(np.uint8(img_inverted * 255))
     img_inverted_bytes = io.BytesIO()
     img_inverted_pil.save(img_inverted_bytes, format='PNG')
 
     return result, img_inverted_pil
 
-# Criar duas interfaces Gradio idênticas
-iface1 = gr.Interface(
-    fn=predict_and_invert,
-    inputs=gr.inputs.Image(type="pil", label="Carregar uma imagem"),
-    outputs=["text", "image"],  # Agora temos duas saídas: texto e imagem
-    title="Modelo de Classificação de Anomalias Cardíacas - Interface 1"
-)
-
-iface2 = gr.Interface(
+# Criar uma interface Gradio
+iface = gr.Interface(
     fn=predict_and_invert,
     inputs=gr.inputs.Image(type="pil", label="Carregar uma imagem"),
-    outputs=["text", "image"],  # Agora temos duas saídas: texto e imagem
-    title="Modelo de Classificação de Anomalias Cardíacas - Interface 2"
+    outputs=["text", "image"]
 )
 
-# Executar ambas as interfaces Gradio
-iface1.launch()
-iface2.launch()
+# Executar a interface Gradio
+iface.launch()