Update app.py

app.py

@@ -10,6 +10,8 @@ import time
 from sklearn.cluster import KMeans
 import os
 from preprocessar_imagem import preprocessar_imagem
+from processar_imagem_de_entrada import processar_imagem_de_entrada
+
 device = "cuda" if torch.cuda.is_available() else "cpu"
 
 # Função para ordenar e pré-processar a imagem de entrada
@@ -23,57 +25,6 @@ def ordenar_e_preprocessar_imagem(img, modelo):
 # Caminho absoluto para a pasta de salvamento
 caminho_salvar_resultado = "/Segmento_de_Angio_Coronariana_v5/Salvar Resultado"
 
-# Função para processar a imagem de entrada
-def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
-    try:
-        # Faça uma cópia da imagem original
-        img = img.copy()
-        
-        # Coloque o modelo na GPU (se disponível) e configure-o para modo de avaliação
-        pipe = pipe.to(device).eval()
-        
-        # Registre o tempo de início
-        start = time.time()
-        
-        # Pré-processe a imagem e obtenha informações de dimensão
-        img, h, w, ori_gray, ori = ordenar_e_preprocessar_imagem(img, modelo)
-        
-        # Converta a imagem para o formato esperado pelo modelo e coloque-a na GPU
-        img = torch.FloatTensor(img).unsqueeze(0).to(device)
-        
-        # Realize a inferência do modelo sem gradientes
-        with torch.no_grad():
-            if modelo == 'AngioNet':
-                img = torch.cat([img, img], dim=0)
-            logit = np.round(torch.softmax(pipe.forward(img), dim=1).detach().cpu().numpy()[0, 0]).astype(np.uint8)
-        
-        # Calcule o tempo decorrido
-        spent = time.time() - start
-        spent = f"{spent:.3f} segundos"
-
-        # Redimensione o resultado, se necessário
-        if h != 512 or w != 512:
-            logit = cv2.resize(logit, (h, w))
-
-        # Converta o resultado para um formato booleano
-        logit = logit.astype(bool)
-        
-        
-        # Salve o resultado em um arquivo se a opção estiver ativada
-        if salvar_resultado:
-            nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
-            cv2.imwrite(nome_arquivo, img_out)
-        
-        return spent, img_out
-    
-    except Exception as e:
-        # Em caso de erro, retorne uma mensagem de erro
-        return str(e), None
-
-# ... (resto do código) ...
-
-
-
 
 # Carregar modelos pré-treinados
 models = {