Update app.py

app.py

@@ -1,3 +1,62 @@
 import gradio as gr
+import datetime
+from transformers import AutoFeatureExtractor, AutoModelForImageClassification
+import torch
+from PIL import Image
+import torchvision.transforms as transforms
 
-gr.Interface.load("models/AhmadHakami/alzheimer-image-classification-google-vit-base-patch16").launch()
+# Carregar o extrator de recursos e o modelo diretamente
+extractor = AutoFeatureExtractor.from_pretrained("AhmadHakami/alzheimer-image-classification-google-vit-base-patch16")
+model = AutoModelForImageClassification.from_pretrained("AhmadHakami/alzheimer-image-classification-google-vit-base-patch16")
+
+# Mapeamento de classe ID para rótulo
+id2label = {
+    "0": "Mild_Demented",
+    "1": "Moderate_Demented",
+    "2": "Non_Demented",
+    "3": "Very_Mild_Demented"
+}
+
+# Função para classificar a imagem
+def classify_image(input_image):
+    # Pré-processar a imagem
+    image = Image.fromarray(input_image)
+    
+    # Aplicar transformações à imagem
+    transform = transforms.Compose([
+        transforms.Resize((224, 224)),
+        transforms.ToTensor(),
+    ])
+    input_image = transform(image).unsqueeze(0)
+    
+    # Realizar a classificação de imagem
+    inputs = extractor(images=input_image, return_tensors="pt")
+    outputs = model(**inputs)
+    
+    # Obter a classe prevista a partir da saída do modelo
+    predicted_class_id = torch.argmax(outputs.logits, dim=1).item()
+    predicted_class_label = id2label.get(str(predicted_class_id), "Desconhecido")
+    
+    # Obter a data e hora atual
+    current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+    
+    # Formatar a saída em HTML com rótulo da classe e data/hora
+    result_html = f"""
+    <h2>Resultado da Classificação</h2>
+    <p><strong>Rótulo da Classe:</strong> {predicted_class_label}</p>
+    <p><strong>Data e Hora:</strong> {current_time}</p>
+    """
+    
+    return result_html
+
+# Criar uma interface Gradio com a função de classificação de imagem
+iface = gr.Interface(
+    fn=classify_image,
+    inputs=gr.inputs.Image(type="numpy", label="Carregar uma imagem"),
+    outputs=gr.outputs.HTML(),  # Saída formatada com HTML
+    title="Classificador de Imagem ViT para Demência",
+    description="Esta aplicação Gradio permite classificar imagens relacionadas à demência usando um modelo Vision Transformer (ViT).",
+)
+
+# Iniciar a aplicação Gradio
+iface.launch()