Spaces:
Sleeping
Sleeping
File size: 2,950 Bytes
adf2111 8c26c12 3639873 575441f adf2111 6ae14d2 abed96a 6ae14d2 abed96a adf2111 8dc8a0e 2283b5b adf2111 8dc8a0e 6b07df2 2283b5b 73036df e0ee69d 2283b5b 73036df 2283b5b 73036df e0ee69d 79b770a ab0fc4c 3835b01 ab0fc4c b4734ce 3835b01 adf2111 79b770a 700be79 2283b5b 907b41c adf2111 2283b5b ab0fc4c adf2111 2283b5b 6b07df2 |
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 gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image
import cv2
import datetime # Importe o módulo datetime
# Defina a camada personalizada FixedDropout
class FixedDropout(tf.keras.layers.Dropout):
def _get_noise_shape(self, inputs):
if self.noise_shape is None:
return self.noise_shape
symbolic_shape = tf.shape(inputs)
noise_shape = [symbolic_shape[axis] if shape is None else shape
for axis, shape in enumerate(self.noise_shape)]
return tuple(noise_shape)
# Registre a camada personalizada FixedDropout
tf.keras.utils.get_custom_objects()['FixedDropout'] = FixedDropout
# Carregue seu modelo TensorFlow treinado
with tf.keras.utils.custom_object_scope({'FixedDropout': FixedDropout}):
model = tf.keras.models.load_model('modelo_treinado.h5')
# Defina uma função para fazer previsões
def classify_image(input_image):
# Log da forma da entrada
print(f"Forma da entrada: {input_image.shape}")
# Redimensione a imagem para as dimensões corretas (192x256)
input_image = tf.image.resize(input_image, (192, 256)) # Redimensione para as dimensões esperadas
input_image = (input_image / 255.0) # Normalize para [0, 1]
input_image = np.expand_dims(input_image, axis=0) # Adicione a dimensão de lote
# Log da forma da entrada após o redimensionamento
print(f"Forma da entrada após o redimensionamento: {input_image.shape}")
# Obtenha o tempo atual
current_time = datetime.datetime.now()
# Faça a previsão usando o modelo
prediction = model.predict(input_image)
# Assumindo que o modelo retorna probabilidades para duas classes, você pode retornar a classe com a maior probabilidade
class_index = np.argmax(prediction)
class_labels = ["Normal", "Cataract"] # Substitua pelas suas etiquetas de classe reais
predicted_class = class_labels[class_index]
# Crie uma imagem composta com o rótulo de previsão
output_image = (input_image[0] * 255).astype('uint8')
# Adicione espaço para o rótulo de previsão na parte inferior da imagem
output_image = cv2.copyMakeBorder(output_image, 0, 50, 0, 0, cv2.BORDER_CONSTANT, value=(255, 255, 255))
# Escreva o rótulo de previsão na imagem
font = cv2.FONT_HERSHEY_SIMPLEX
font_scale = 0.4 # Tamanho da fonte reduzido
cv2.putText(output_image, f"Analysis Time: {current_time.strftime('%Y-%m-%d %H:%M:%S')}", (10, 20), font, font_scale, (0, 0, 0), 1)
cv2.putText(output_image, f"Predicted Class: {predicted_class}", (10, 40), font, font_scale, (0, 0, 0), 1) # Cor preta
return output_image
# Crie uma interface Gradio
input_interface = gr.Interface(
fn=classify_image,
inputs="image", # Especifique o tipo de entrada como "image"
outputs="image", # Especifique o tipo de saída como "image"
live=True
)
# Inicie o aplicativo Gradio
input_interface.launch()
|