app.py

import gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image
import cv2

# 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}")

    # 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 a caixa de identificação de objeto e o rótulo de previsão
    output_image = (input_image[0] * 255).astype('uint8')
    output_image_with_box = output_image.copy()

    # Desenhe uma caixa de identificação de objeto no output_image_with_box (centralizada e maior)
    if predicted_class == "Cataract":  # Adicione sua lógica para desenhar a caixa com base na classe
        image_height, image_width, _ = output_image.shape
        box_size = min(image_height, image_width) // 2
        x1 = (image_width - box_size) // 2
        y1 = (image_height - box_size) // 2
        x2 = x1 + box_size
        y2 = y1 + box_size
        cv2.rectangle(output_image_with_box, (x1, y1), (x2, y2), (0, 255, 0), 2)  # Caixa verde

    # Escreva o rótulo de previsão no output_image_with_box (com a cor da caixa)
    font = cv2.FONT_HERSHEY_SIMPLEX
    font_scale = 0.4  # Tamanho da fonte reduzido

    # Adicione a data e hora da análise
    current_time = datetime.datetime.now()
    cv2.putText(output_image_with_box, f"Analysis Time: {current_time.strftime('%Y-%m-%d %H:%M:%S')}", (10, 40), font, font_scale, (0, 255, 0), 1)

    cv2.putText(output_image_with_box, f"Predicted Class: {predicted_class}", (10, 60), font, font_scale, (0, 255, 0), 1)  # Cor verde

    return output_image_with_box


# 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()