Spaces:
Sleeping
Sleeping
File size: 2,631 Bytes
adf2111 08cbfae ef4f4f6 08cbfae 2fac645 08cbfae 2fac645 08cbfae b0a8cf0 08cbfae 2fac645 977a5b3 08cbfae bcdae47 abf887b 2fac645 08cbfae 3cb8bfd 977a5b3 08cbfae 2fac645 5e77aec 08cbfae 8d9c7cb 08cbfae 5e77aec |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 |
import tensorflow as tf
import efficientnet.tfkeras as efn
import gradio as gr
import numpy as np
# Dimensões da imagem
IMG_HEIGHT = 224
IMG_WIDTH = 224
# Função para construir o modelo
def build_model(img_height, img_width, n):
inp = tf.keras.layers.Input(shape=(img_height, img_width, n))
efnet = efn.EfficientNetB0(
input_shape=(img_height, img_width, n),
weights='imagenet',
include_top=False
)
x = efnet(inp)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
x = tf.keras.layers.Dense(2, activation='softmax')(x)
model = tf.keras.Model(inputs=inp, outputs=x)
opt = tf.keras.optimizers.Adam(learning_rate=0.000003)
loss = tf.keras.losses.CategoricalCrossentropy(label_smoothing=0.01)
model.compile(optimizer=opt, loss=loss, metrics=['accuracy'])
return model
# Carregue o modelo treinado
loaded_model = build_model(IMG_HEIGHT, IMG_WIDTH, 3)
loaded_model.load_weights('modelo_treinado.h5')
# Função para realizar o pré-processamento da imagem de entrada
def preprocess_image(input_image):
# Redimensione a imagem para as dimensões esperadas pelo modelo
input_image = tf.image.resize(input_image, (IMG_HEIGHT, IMG_WIDTH))
# Normalização dos valores de pixel para o intervalo [0, 1]
input_image = input_image / 255.0
return input_image
# Função para fazer previsões usando o modelo treinado
def predict(input_image):
# Realize o pré-processamento na imagem de entrada
input_image = preprocess_image(input_image)
# Faça uma previsão usando o modelo carregado
input_image = tf.expand_dims(input_image, axis=0)
prediction = loaded_model.predict(input_image)
# A saída será uma matriz de previsões (no caso de classificação de duas classes, será algo como [[probabilidade_classe_0, probabilidade_classe_1]])
class_names = ["Normal", "Cataract"]
# Determine a classe mais provável
predicted_class = class_names[np.argmax(prediction)]
return predicted_class
# Crie uma interface Gradio para fazer previsões
iface = gr.Interface(
predict,
inputs=gr.inputs.Image(label="Carregue uma imagem da região ocular", type="pil"),
outputs=gr.outputs.Label(num_top_classes=2, label="Avaliação"),
title="Detecção de Catarata em Imagens Oculares",
theme="compact",
css=""".output { font-size: 18px; }
.loading { display: none; }
.output.loading { display: block; text-align: center; }""",
description="Carregue uma imagem da região ocular para verificar a presença de catarata.",
)
# Execute a interface Gradio
iface.launch()
|