import gradio as gr
import tensorflow as tf
import numpy as np
import cv2
import datetime

# Carregue o modelo treinado
model_path = 'modelo_treinado.h5'
model = tf.keras.models.load_model(model_path)

class_labels = ["Normal", "Cataract"]

def classify_image(input_image):
    # Redimensione a imagem de entrada para o tamanho esperado pelo modelo
    input_image = tf.image.resize(input_image, (192, 256))
    input_image = (input_image / 255.0)
    input_image = np.expand_dims(input_image, axis=0)

    # Faça a previsão
    prediction = model.predict(input_image)
    class_index = np.argmax(prediction)
    predicted_class = class_labels[class_index]

    # Crie uma cópia da imagem de entrada para exibir
    output_image = input_image[0].copy()
    output_image = (output_image * 255).astype('uint8')

    # Desenhe uma caixa de detecção na imagem
    cv2.putText(output_image, predicted_class, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
    timestamp = datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')
    cv2.putText(output_image, timestamp, (10, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

    return output_image

# Configurar a interface Gradio
gr.Interface(
    fn=classify_image,
    inputs="image",
    outputs="image",
    live=True
).launch()