Spaces:
Sleeping
Sleeping
Update app.py
Browse files
app.py
CHANGED
@@ -1,75 +1,31 @@
|
|
1 |
import tensorflow as tf
|
2 |
-
import efficientnet.tfkeras as efn
|
3 |
import numpy as np
|
4 |
import gradio as gr
|
5 |
-
import plotly.express as px
|
6 |
|
7 |
-
#
|
8 |
-
|
9 |
-
IMG_WIDTH = 224
|
10 |
|
11 |
-
#
|
12 |
-
|
13 |
-
inp = tf.keras.layers.Input(shape=(img_height, img_width, n))
|
14 |
-
efnet = efn.EfficientNetB0(
|
15 |
-
input_shape=(img_height, img_width, n),
|
16 |
-
weights='imagenet',
|
17 |
-
include_top=False
|
18 |
-
)
|
19 |
-
x = efnet(inp)
|
20 |
-
x = tf.keras.layers.GlobalAveragePooling2D()(x)
|
21 |
-
x = tf.keras.layers.Dense(2, activation='softmax')(x)
|
22 |
-
model = tf.keras.Model(inputs=inp, outputs=x)
|
23 |
-
opt = tf.keras.optimizers.Adam(learning_rate=0.000003)
|
24 |
-
loss = tf.keras.losses.CategoricalCrossentropy(label_smoothing=0.01)
|
25 |
-
model.compile(optimizer=opt, loss=loss, metrics=['accuracy'])
|
26 |
-
return model
|
27 |
|
28 |
-
#
|
29 |
-
|
30 |
-
|
|
|
31 |
|
32 |
-
#
|
33 |
-
|
34 |
-
# Redimensione a imagem para as dimensões esperadas pelo modelo
|
35 |
-
input_image = tf.image.resize(input_image, (IMG_HEIGHT, IMG_WIDTH))
|
36 |
-
|
37 |
-
# Normalização dos valores de pixel para o intervalo [0, 1]
|
38 |
-
input_image = input_image / 255.0
|
39 |
|
40 |
-
#
|
|
|
41 |
|
42 |
-
|
43 |
-
|
44 |
-
# Função para fazer previsões usando o modelo treinado
|
45 |
-
def predict_image(input_image):
|
46 |
-
# Realize o pré-processamento na imagem de entrada
|
47 |
-
input_image = preprocess_image(input_image)
|
48 |
-
|
49 |
-
# Faça uma previsão usando o modelo carregado
|
50 |
-
input_image = tf.expand_dims(input_image, axis=0)
|
51 |
-
prediction = loaded_model.predict(input_image)
|
52 |
-
|
53 |
-
# A saída será uma matriz de previsões (no caso de classificação de duas classes, será algo como [[probabilidade_classe_0, probabilidade_classe_1]])
|
54 |
-
# Adicione lógica para interpretar o resultado e formatá-lo para exibição
|
55 |
-
class_names = ["Normal", "Cataract"]
|
56 |
-
predicted_class = class_names[np.argmax(prediction)]
|
57 |
-
probability = prediction[0][np.argmax(prediction)]
|
58 |
-
|
59 |
-
# Retorna a previsão em formato de string
|
60 |
-
return f"""
|
61 |
-
Predicted Class: {predicted_class}
|
62 |
-
Probability: {probability:.2%}
|
63 |
-
"""
|
64 |
-
|
65 |
-
# Crie uma interface Gradio para fazer previsões
|
66 |
iface = gr.Interface(
|
67 |
-
fn=
|
68 |
-
inputs=gr.inputs.Image(
|
69 |
-
outputs=gr.outputs.
|
70 |
-
|
71 |
-
custom_interpretation_fn=predict_image
|
72 |
)
|
73 |
|
74 |
-
#
|
75 |
-
iface.launch()
|
|
|
1 |
import tensorflow as tf
|
|
|
2 |
import numpy as np
|
3 |
import gradio as gr
|
|
|
4 |
|
5 |
+
# Carregue o modelo treinado com catarata
|
6 |
+
loaded_model = tf.keras.models.load_model('modelo_treinado.h5')
|
|
|
7 |
|
8 |
+
# Crie uma lista de classes
|
9 |
+
class_names = ["Normal", "Cataract"]
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
10 |
|
11 |
+
# Defina a função de classificação
|
12 |
+
def classify_image(inp):
|
13 |
+
# Reshape a imagem de entrada para o formato esperado pelo modelo
|
14 |
+
img = inp.reshape((-1, 224, 224, 3))
|
15 |
|
16 |
+
# Faça uma previsão usando o modelo treinado
|
17 |
+
prediction = loaded_model.predict(img).flatten()
|
|
|
|
|
|
|
|
|
|
|
18 |
|
19 |
+
# Retorna a classe prevista
|
20 |
+
return class_names[np.argmax(prediction)]
|
21 |
|
22 |
+
# Crie uma interface Gradio
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
23 |
iface = gr.Interface(
|
24 |
+
fn=classify_image,
|
25 |
+
inputs=gr.inputs.Image(shape=(224, 224)),
|
26 |
+
outputs=gr.outputs.Label(),
|
27 |
+
capture_session=True
|
|
|
28 |
)
|
29 |
|
30 |
+
# Inicie a interface Gradio
|
31 |
+
iface.launch(debug=True, share=True)
|