Update app.py

app.py

@@ -7,6 +7,8 @@ import cv2
 import numpy as np
 from preprocess import unsharp_masking
 import time
+from sklearn.cluster import KMeans
+import os
 
 device = "cuda" if torch.cuda.is_available() else "cpu"
 
@@ -16,7 +18,7 @@ def ordenar_e_preprocessar_imagem(img, modelo):
     img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
     h, w = img.shape
     img_out = preprocessar_imagem(img, modelo)
-    return img_out, h, w, img, ori
+    return img_out
 
 # Função para pré-processar a imagem com base no modelo selecionado
 def preprocessar_imagem(img, modelo='SE-RegUNet 4GF'):
@@ -50,6 +52,9 @@ def preprocessar_imagem(img, modelo='SE-RegUNet 4GF'):
     
     return img_out
 
+
+import os
+
 # Caminho absoluto para a pasta de salvamento
 caminho_salvar_resultado = "/Segmento_de_Angio_Coronariana_v5/Salvar Resultado"
 
@@ -62,9 +67,6 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
         # 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)
         
@@ -77,10 +79,6 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
                 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))
@@ -97,7 +95,7 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
             nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
             cv2.imwrite(nome_arquivo, img_out)
         
-        return spent, img_out
+        return img_out
     
     except Exception as e:
         # Em caso de erro, retorne uma mensagem de erro
@@ -113,31 +111,26 @@ models = {
     'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
 }
 
-# Função para processar a imagem de entrada com os campos extras removidos
-def processar_imagem_de_entrada_wrapper(img, modelo, salvar_resultado=False):
+# Função para processar a imagem de entrada e retornar apenas a imagem de saída
+def processar_imagem_de_entrada_wrapper(img, modelo):
     model = models[modelo]
-    resultado = processar_imagem_de_entrada(img, modelo, model, salvar_resultado)
-    return resultado
-
-# Inicializar a contagem de análises
-num_analises = 0
+    img_out = processar_imagem_de_entrada(img, modelo, model)
+    return img_out
 
-# Criar a interface Gradio sem os campos extras
+# Criar a interface Gradio
 my_app = gr.Interface(
     fn=processar_imagem_de_entrada_wrapper,
     inputs=[
         gr.inputs.Image(label="Angiograma:", shape=(512, 512)),
         gr.inputs.Dropdown(['SE-RegUNet 4GF','SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
-        gr.inputs.Checkbox(label="Salvar Resultado"),
     ],
     outputs=gr.outputs.Image(type="numpy", label="Imagem de Saída"),
     title="Segmentação de Angiograma Coronariano",
     description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados.",
     theme="default",
     layout="vertical",
-    allow_flagging="never",  # Altere para uma string "auto", "manual" ou "never"
+    allow_flagging=False,
 )
 
 # Iniciar a interface Gradio
-my_app.launch()
-
+my_app.launch()