app.py

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

# Carregue seu modelo TensorFlow treinado
model = tf.keras.models.load_model('modelo_treinado.h5')

# Defina uma função para fazer previsões
def classify_image(input_image):
    # 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

    # 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 (apenas como exemplo)
    if predicted_class == "Cataract":  # Adicione sua lógica para desenhar a caixa com base na classe
        cv2.rectangle(output_image_with_box, (50, 50), (150, 150), (0, 255, 0), 2)  # Exemplo de caixa verde

    # Escreva o rótulo de previsão no output_image_with_box
    font = cv2.FONT_HERSHEY_SIMPLEX
    cv2.putText(output_image_with_box, f"Predicted Class: {predicted_class}", (10, 30), font, 0.7, (0, 0, 255), 2)

    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()