Update app.py

app.py

@@ -1,53 +1,7 @@
-# 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
+from PIL import Image, ImageDraw, ImageFont
 
 # Defina a camada personalizada FixedDropout
 class FixedDropout(tf.keras.layers.Dropout):
@@ -82,14 +36,22 @@ def classify_image(input_image):
 
     # 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 imagem composta com o rótulo de previsão
+    output_image = Image.fromarray((input_image[0] * 255).astype('uint8'))
+    draw = ImageDraw.Draw(output_image)
+    font = ImageFont.load_default()
+    label_text = f"Predicted Class: {predicted_class}"
+    draw.text((10, 10), label_text, (255, 0, 0), font=font)
+
+    return output_image, class_probabilities
 
 # Crie uma interface Gradio
 input_interface = gr.Interface(
     fn=classify_image,
     inputs="image",  # Especifique o tipo de entrada como "image"
-    outputs=["text", "text"],  # Especifique dois tipos de saída: classe e probabilidades
-    output_labels=["Predicted Class", "Class Probabilities"]  # Rotule as saídas
+    outputs=["image", "text"],  # Especifique dois tipos de saída: imagem e texto
+    output_labels=["Output Image", "Class Probabilities"]  # Rotule as saídas
 )
 
 # Inicie o aplicativo Gradio