Update app.py

app.py

@@ -1,44 +1,20 @@
 import tensorflow as tf
-from keras.utils import custom_object_scope
 import gradio as gr
-import numpy as np
 from PIL import Image, ImageDraw
 
-# Defina a camada personalizada FixedDropout
-class FixedDropout(tf.keras.layers.Dropout):
-    def __init__(self, rate, **kwargs):
-        super().__init__(rate, **kwargs)
-        self._rate = rate
-
-    def call(self, inputs):
-        return tf.nn.dropout(inputs, self._rate)
-
-# Registre a camada personalizada FixedDropout com o TensorFlow
-with custom_object_scope({'FixedDropout': FixedDropout}):
-    # Carregue o modelo
-    loaded_model = tf.keras.models.load_model('modelo_treinado.h5')
+# Carregue o modelo
+loaded_model = tf.keras.models.load_model('modelo_treinado.h5')
 
 # Crie uma lista de classes
 class_names = ["Normal", "Cataract"]
 
-# Defina a função de pré-processamento
-def preprocess_image(inp):
-    # Redimensione a imagem para o formato esperado pelo modelo (192x256)
-    img = Image.fromarray(inp)
-    img = img.resize((256, 192))
-    
-    # Converta a imagem para um array numpy
-    img = np.array(img)
-    
-    # Normalize a imagem (escala de 0 a 1)
-    img = img / 255.0
-
-    return img
-
 # Defina a função de classificação
 def classify_image(inp):
-    # Pré-processar a imagem
-    img = preprocess_image(inp)
+    # Redimensione a imagem para o formato esperado pelo modelo (192x256)
+    img = Image.fromarray(inp).resize((256, 192))
+    
+    # Converta a imagem para um array numpy e normalize-a (escala de 0 a 1)
+    img = np.array(img) / 255.0
 
     # Faça uma previsão usando o modelo treinado
     prediction = loaded_model.predict(np.expand_dims(img, axis=0)).flatten()
@@ -46,29 +22,13 @@ def classify_image(inp):
     # Obtém a classe prevista
     predicted_class = class_names[np.argmax(prediction)]
 
-    # Crie uma imagem de saída com a classe prevista
-    output_image = Image.new("RGB", (256, 192))
-    output_image.paste((255, 255, 255), (0, 0, 256, 192))
-    output_image_draw = ImageDraw.Draw(output_image)
-    output_image_draw.text((10, 10), f"Classe Prevista: {predicted_class}", fill=(0, 0, 0))
-
-    # Converte a imagem de saída de volta para numpy array
-    output_image = np.array(output_image)
-
-    # Retorna uma lista com a imagem de entrada e o rótulo
-    return [inp, output_image]
+    return inp, predicted_class
 
 # Crie uma interface Gradio
 iface = gr.Interface(
     fn=classify_image,
     inputs=gr.inputs.Image(shape=(192, 256)),
-    outputs=[gr.outputs.Image(type="numpy"), gr.outputs.Image(type="numpy")],
-    capture_session=True,
-    title="Detecção de Catarata",
-    description="Esta interface permite a detecção de catarata em imagens de olhos.",
-    instructions="Carregue uma imagem de um olho e clique em 'Classificar' para obter a previsão.",
-    theme="default",  # Você pode escolher um tema predefinido ou personalizar as cores manualmente.
-    button_text="Classificar Imagem",  # Personalize o texto do botão.
+    outputs=[gr.outputs.Image(type="numpy"), "label"],
 )
 
 # Inicie a interface Gradio