app.py

import tensorflow as tf
import efficientnet.tfkeras as efn
import numpy as np
import gradio as gr
import plotly.express as px

# 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

    # Outras transformações, se necessárias (por exemplo, normalização adicional)

    return input_image

# Função para fazer previsões usando o modelo treinado
def predict_image(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]])
    # Adicione lógica para interpretar o resultado e formatá-lo para exibição
    class_names = ["Normal", "Cataract"]
    predicted_class = class_names[np.argmax(prediction)]
    probability = prediction[0][np.argmax(prediction)]

    # Retorna a previsão em formato de string
    return f"""
Predicted Class: {predicted_class}
Probability: {probability:.2%}
"""

# Crie uma interface Gradio para fazer previsões
iface = gr.Interface(
    fn=predict_image,
    inputs=gr.inputs.Image(label="Upload an Image", type="pil"),
    outputs=gr.outputs.Output(label="Prediction", type="string"),
    interpretation="text",
    custom_interpretation_fn=predict_image
)

# Execute a interface Gradio
iface.launch()