Update app.py

app.py

@@ -52,32 +52,25 @@ class ImageClassifierCataract:
         class_index = np.argmax(prediction)
         predicted_class = self.class_labels[class_index]
 
-        output_image = (input_image[0] * 255).astype('uint8')
-        output_image = cv2.copyMakeBorder(output_image, 0, 50, 0, 0, cv2.BORDER_CONSTANT, value=(255, 255, 255))
-        label_background = np.ones((50, output_image.shape[1], 3), dtype=np.uint8) * 255
-        output_image[-50:] = label_background
-
-        image_height, image_width, _ = output_image.shape
-        box_size = 100
-        box_x = (image_width - box_size) // 2
-        box_y = (image_height - box_size) // 2
-        object_box_color = (255, 0, 0)
-        cv2.rectangle(output_image, (box_x, box_y), (box_x + box_size, box_y + box_size), object_box_color, 2)
-
         # Create a formatted HTML block with the provided information in Portuguese
         info_html = """
-        <div style="background-color: #f2f2f2; padding: 10px;">
+        <div style="background-color: #f2f2f2; padding: 10px; text-align: center;">
             <h2>Detecção de Catarata</h2>
             <p>A catarata é uma das doenças oculares mais graves que pode causar cegueira se não for tratada. A detecção da doença em estágios iniciais, em vez de estágios avançados, pode evitar que o paciente fique cego.</p>
             <p>Neste ponto, os pacientes suspeitos devem ser constantemente examinados. O controle contínuo e o acompanhamento dos pacientes são processos cansativos e laboriosos. Por essas razões, neste artigo, são propostos dois modelos de aprendizado profundo diferentes que podem ser usados no diagnóstico e detecção de catarata para auxiliar o trabalho e os procedimentos dos oftalmologistas.</p>
             <p>Os modelos de aprendizado profundo propostos foram executados em um conjunto de dados de fundo de olho com sintomas normais e de catarata.</p>
+            <h3>Resultado da Classificação:</h3>
+            <p><strong>Predicted Class:</strong> {predicted_class}</p>
         </div>
         """
 
+        # Create a copy of the input image for display
+        output_image = input_image[0].copy()
+        output_image = (output_image * 255).astype('uint8')
+
         # Combine the output elements
         output = {
             "image": output_image,
-            "text": f"Predicted Class: {predicted_class}",
             "html": info_html,
         }
 
@@ -87,7 +80,7 @@ class ImageClassifierCataract:
         input_interface = gr.Interface(
             fn=self.classify_image,
             inputs="image",
-            outputs=["image", "text", "html"],
+            outputs=["image", "html"],
             live=True
         )
         input_interface.launch()