Update app.py

app.py

@@ -1,16 +1,15 @@
 import gradio as gr
 
 
-def greet(name):
-    return "Hello " + name
-
-title = "A Machine Learning Strategy for Automatic Phenotyping of High Risk Pregnancies"
-description = """
-The bot was trained to segment, measure and make informed prediction of high risk pregnancy based off of what fetal skull Head circumference (HC) can imply!
+def saudar(nome):
+    return "Olá " + nome
 
+título = "Uma Estratégia de Aprendizado de Máquina para a Fenotipagem Automática de Gravidezes de Alto Risco"
+descrição = """
+O bot foi treinado para segmentar, medir e fazer previsões informadas sobre gravidezes de alto risco com base no que o perímetro cefálico (HC) do crânio fetal pode implicar!
 """
 # <img src="https://huggingface.co/spaces/course-demos/Rick_and_Morty_QA/resolve/main/rick.png" width=200px>
-article = "Check out [the github repository](https://github.com/MarkTLite) that this website and model are based off of."
+artigo = "Confira [o repositório do GitHub](https://github.com/MarkTLite) no qual este site e modelo são baseados."
 
 import cv2, math
 import matplotlib.pyplot as plt
@@ -20,41 +19,41 @@ from tensorflow.keras.models import load_model
 from skimage import measure
 
 
-def predict(input_img):
-    input_img = input_img.reshape((256,256,1))
-    test_normalized_image = normalize(input_img, axis=1)
-    # load model
-    model = load_model('model-best.h5',compile=False)
-    model.compile(optimizer='adam', loss = "binary_crossentropy")
-    test_img = test_normalized_image
-    orig_img = input_img
-    test_img_norm=test_img[:,:,0]
-    test_img_input=np.expand_dims(test_img_norm, 0)
+def prever(img):
+    img = img.reshape((256,256,1))
+    img_normalizada = normalize(img, axis=1)
+    # carregar o modelo
+    modelo = load_model('model-best.h5', compile=False)
+    modelo.compile(optimizer='adam', loss="binary_crossentropy")
+    img_teste = img_normalizada
+    img_original = img
+    img_normalizada = img_teste[:,:,0]
+    img_entrada = np.expand_dims(img_normalizada, 0)
 
-    # Predict and threshold for values above 0.08 probability
-    prediction = (model.predict(test_img_input) > 0.08).astype(np.uint8)
-    prediction = prediction[0]
-    label_image = measure.label(prediction, connectivity=orig_img.ndim)
+    # Prever e aplicar limiar para valores acima de 0.08 de probabilidade
+    previsão = (modelo.predict(img_entrada) > 0.08).astype(np.uint8)
+    previsão = previsão[0]
+    imagem_rótulo = measure.label(previsão, connectivity=img_original.ndim)
 
     fig, ax = plt.subplots()
-    ax.imshow(label_image[:,:,0], cmap=plt.cm.gray)
-    regions = measure.regionprops(label_image[:,:,0])
-    prev_hc, hc = 0,0 
-    for props in regions:
+    ax.imshow(imagem_rótulo[:,:,0], cmap=plt.cm.gray)
+    regiões = measure.regionprops(imagem_rótulo[:,:,0])
+    hc_anterior, hc = 0,0 
+    for props in regiões:
         y0, x0 = props.centroid
-        orientation = props.orientation
-        x1 = x0 + math.cos(orientation) * 0.5 * props.minor_axis_length
-        y1 = y0 - math.sin(orientation) * 0.5 * props.minor_axis_length
-        x2 = x0 - math.sin(orientation) * 0.5 * props.major_axis_length
-        y2 = y0 - math.cos(orientation) * 0.5 * props.major_axis_length
+        orientação = props.orientation
+        x1 = x0 + math.cos(orientação) * 0.5 * props.minor_axis_length
+        y1 = y0 - math.sin(orientação) * 0.5 * props.minor_axis_length
+        x2 = x0 - math.sin(orientação) * 0.5 * props.major_axis_length
+        y2 = y0 - math.cos(orientação) * 0.5 * props.major_axis_length
 
-        minor_distance = ((x0 - x1)**2 + (y0 - y1)**2)**0.5
-        print(minor_distance*2)
-        major_distance = ((x0 - x2)**2 + (y0 - y2)**2)**0.5
-        print(major_distance*2)
-        prev_hc = 1.62*(minor_distance+major_distance)
-        if(prev_hc>hc):
-            hc = prev_hc
+        distância_menor = ((x0 - x1)**2 + (y0 - y1)**2)**0.5
+        print(distância_menor*2)
+        distância_maior = ((x0 - x2)**2 + (y0 - y2)**2)**0.5
+        print(distância_maior*2)
+        hc_anterior = 1.62*(distância_menor+distância_maior)
+        if(hc_anterior>hc):
+            hc = hc_anterior
         print("HC = ",hc, " mm")
 
         ax.plot((x0, x1), (y0, y1), '-r', linewidth=2.5)
@@ -63,15 +62,14 @@ def predict(input_img):
 
     plt.show()
 
-    # Overlap prediction on original image
-    drawn_img = cv2.cvtColor(orig_img, cv2.COLOR_GRAY2BGR)
-    contours, hierarchy = cv2.findContours(prediction,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
-    cv2.drawContours(drawn_img, contours, -1, (255,0,0), 2)
-    return drawn_img, "Head Circumference = " + str(hc) + " mm"
+    # Sobrepõe a previsão na imagem original
+    img_desenhada = cv2.cvtColor(img_original, cv2.COLOR_GRAY2BGR)
+    contornos, hierarquia = cv2.findContours(previsão, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
+    cv2.drawContours(img_desenhada, contornos, -1, (255,0,0), 2)
+    return img_desenhada, "Perímetro Cefálico = " + str(hc) + " mm"
 
-examples = [
-            ['image.png']
+exemplos = [    ['image.png']
 ]
 
-gr.Interface(predict,gr.Image(shape=(256, 256), image_mode='L'), [gr.outputs.Image(type='plot'),'text'],
- description=description, article=article, title=title, examples=examples, analytics_enabled=False).launch()
+gr.Interface(prever, gr.Image(shape=(256, 256), image_mode='L'), [gr.outputs.Image(type='plot'), 'text'],
+             description=descrição, article=artigo, title=título, examples=exemplos, analytics_enabled=False).launch()