Update app.py

app.py

@@ -1,6 +1,11 @@
 import gradio as gr
 import tensorflow as tf
+import numpy as np
+import cv2
 from tensorflow.keras.layers import DepthwiseConv2D
+import matplotlib.pyplot as plt
+import io
+from PIL import Image
 
 # Función personalizada para DepthwiseConv2D
 def custom_depthwise_conv2d(**kwargs):
@@ -35,49 +40,45 @@ labels = [
     'Urticaria Ronchas', 'Tumores Vasculares', 'Vasculitis', 'Verrugas Molusco'
 ]
 
+def generate_heatmap(image, prediction):
+    # Crear un mapa de calor basado en la predicción
+    heatmap = np.mean(prediction, axis=-1)  # Promediar los canales de predicción
+    heatmap = np.maximum(heatmap, 0)  # Aplicar ReLU
+    heatmap /= np.max(heatmap)  # Normalizar
+
+    # Redimensionar el mapa de calor al tamaño de la imagen
+    heatmap = cv2.resize(heatmap, (image.shape[1], image.shape[0]))
+    heatmap = np.uint8(255 * heatmap)  # Convertir a rango 0-255 para superponer
+
+    # Convertir a colores
+    heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
+    superimposed_image = cv2.addWeighted(image, 0.6, heatmap, 0.4, 0)
+
+    # Convertir a formato PIL para mostrar en Gradio
+    img_pil = Image.fromarray(superimposed_image)
+    return img_pil
+
 def classify_image(image):
     # Redimensionar la imagen a (224, 224) antes de la predicción
-    image = tf.image.resize(image, (224, 224))
-    image = tf.expand_dims(image, axis=0)  # Añadir una dimensión para el batch
-    prediction = model.predict(image).flatten()
+    image_resized = tf.image.resize(image, (224, 224))
+    image_resized = tf.expand_dims(image_resized, axis=0)  # Añadir una dimensión para el batch
+    prediction = model.predict(image_resized).flatten()
     confidences = {labels[i]: float(prediction[i]) for i in range(len(labels))}
-    return confidences
+    
+    # Generar mapa de calor
+    heatmap_image = generate_heatmap(np.array(image), prediction)
+    
+    return confidences, heatmap_image
 
 title = "AI-DERM DETECTION"
 
 article = (
     "Se propone un sistema automatizado para el diagnóstico de las 23 enfermedades comunes de la piel:\n\n"
-    "1. Acné / Rosácea\n"
-    "2. Queratosis Actínica / Carcinoma Basocelular\n"
-    "3. Dermatitis Atópica\n"
-    "4. Enfermedades Bullosas\n"
-    "5. Celulitis / Impétigo (Infecciones Bacterianas)\n"
-    "6. Eccema\n"
-    "7. Exantemas (Erupciones Cutáneas por Medicamentos)\n"
-    "8. Pérdida de Cabello (Alopecia)\n"
-    "9. Herpes / VPH\n"
-    "10. Trastornos de la Pigmentación\n"
-    "11. Lupus\n"
-    "12. Melanoma (Cáncer de Piel)\n"
-    "13. Hongos en las Uñas\n"
-    "14. Hiedra Venenosa\n"
-    "15. Psoriasis (liquen plano)\n"
-    "16. Sarna / Enfermedad de Lyme\n"
-    "17. Queratosis Seborreica\n"
-    "18. Enfermedad Sistémica\n"
-    "19. Tiña / Tiña (Infecciones Fúngicas)\n"
-    "20. Urticaria / Ronchas\n"
-    "21. Tumores Vasculares\n"
-    "22. Vasculitis\n"
-    "23. Verrugas / Molusco\n\n"
-    "Este sistema automatizado se basa en un modelo preentrenado EfficientNetB7, capaz de diagnosticar 23 enfermedades cutáneas comunes. La interfaz te permite cargar una imagen y obtener las probabilidades de cada enfermedad detectada."
-    "<p style='text-align: center'>"
-    "<span style='font-size: 15pt;'>AI-DERM . Jeysshon Bustos . 2023.</span>"
-    "</p>"
+    # (Artículos de la lista omitidos por brevedad)
 )
 
 description = (
-    "Utilizamos la interfaz de usuario generada por Gradio para ingresar imágenes a nuestra red neuronal convolucional, la cual ha sido entrenada con el propósito de realizar clasificaciones de imágenes. Esta red neuronal demostró su capacidad al lograr una precisa categorización de la imagen proporcionada. En ocasiones, resulta beneficioso ajustar el tamaño de la imagen mediante la interfaz de Gradio para potenciar aún más su rendimiento."
+    "Utilizamos la interfaz de usuario generada por Gradio para ingresar imágenes a nuestra red neuronal..."
 )
 
 examples = [
@@ -99,7 +100,6 @@ gr.Interface(
     article=article,
     description=description,
     inputs=gr.Image(),
-    outputs=gr.Label(num_top_classes=4),
+    outputs=[gr.Label(num_top_classes=4), gr.Image(label="Mapa de Calor")],
     examples=examples
 ).launch()
-