Update app.py

app.py

@@ -1,3 +1,50 @@
+# import gradio as gr
+# import tensorflow as tf
+# import numpy as np
+
+# # 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
+# 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]
+
+#     return predicted_class
+
+# # Crie uma interface Gradio
+# input_interface = gr.Interface(
+#     fn=classify_image,
+#     inputs="image",  # Especifique o tipo de entrada como "image"
+#     outputs="text"   # Especifique o tipo de saída como "text"
+# )
+
+# # Inicie o aplicativo Gradio
+# input_interface.launch()
+
 import gradio as gr
 import tensorflow as tf
 import numpy as np
@@ -33,13 +80,16 @@ def classify_image(input_image):
     class_labels = ["Normal", "Cataract"]  # Substitua pelas suas etiquetas de classe reais
     predicted_class = class_labels[class_index]
 
-    return predicted_class
+    # Retorne a classe prevista e as probabilidades das classes
+    class_probabilities = {class_labels[i]: round(float(prediction[0][i]), 4) for i in range(len(class_labels))}
+    return predicted_class, class_probabilities
 
 # Crie uma interface Gradio
 input_interface = gr.Interface(
     fn=classify_image,
     inputs="image",  # Especifique o tipo de entrada como "image"
-    outputs="text"   # Especifique o tipo de saída como "text"
+    outputs=["text", "text"],  # Especifique dois tipos de saída: classe e probabilidades
+    output_labels=["Predicted Class", "Class Probabilities"]  # Rotule as saídas
 )
 
 # Inicie o aplicativo Gradio