import gradio as gr
from tensorflow.keras.models import load_model
import cv2

# Função para fazer a previsão de classificação
def classify_pcos(image):
    # Pré-processamento da imagem (redimensionar, normalizar, etc.)
    preprocessed_image = preprocess_image(image)
    
    # Fazer a previsão usando o modelo
    prediction = model.predict(preprocessed_image)
    
    # Obter a classe predita
    class_index = np.argmax(prediction)
    class_label = class_labels[class_index]
    
    return class_label

# Função para pré-processar a imagem (redimensionar, normalizar, etc.)

def preprocess_image(image):
    # Redimensionar a imagem para 224x224
    resized_image = cv2.resize(image, (224, 224))
    
    # Normalizar a imagem (opcional, dependendo do pré-processamento necessário)
    normalized_image = resized_image / 255.0
    
    # Adicionar dimensão extra para se adequar ao formato de entrada do modelo
    preprocessed_image = np.expand_dims(normalized_image, axis=0)
    
    return preprocessed_image


# Carregar o modelo treinado
model = load_model('FightOS_CNN_Models.h5')

# Definir as classes de rótulo
class_labels = ['positive', 'negative']

# Interface do aplicativo Gradio
iface = gr.Interface(
    fn=classify_pcos,
    inputs="image",
    outputs="text",
    title="Detecção de PCOS usando imagens de ultrassom",
    description="Faça upload de uma imagem de ultrassom para classificar se possui PCOS ou não."
)

# Executar o aplicativo
iface.launch()