Update app.py

app.py

@@ -1,3 +1,91 @@
 import gradio as gr
+from transformers import AutoFeatureExtractor, AutoModelForImageClassification
+import torch
+import datetime
+from PIL import Image
+import torchvision.transforms as transforms
+import numpy as np
 
-gr.Interface.load("models/DifeiT/rsna_intracranial_hemorrhage_detection").launch()
+# Carregue o extrator de recursos e o modelo
+extractor = AutoFeatureExtractor.from_pretrained("DifeiT/rsna-intracranial-hemorrhage-detection")
+model = AutoModelForImageClassification.from_pretrained("DifeiT/rsna-intracranial-hemorrhage-detection")
+
+# Transformações para pré-processamento
+preprocess = transforms.Compose([
+    transforms.ToPILImage(),  # Converte para objeto PIL.Image
+    transforms.Resize((224, 224)),  # Redimensiona para o tamanho de entrada do modelo (224x224)
+    transforms.ToTensor(),  # Converte para tensor
+    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])  # Normalização
+])
+
+# Mapeamento de classe ID para rótulo
+id2label = {
+    "0": "epidural",
+    "1": "intraparenchymal",
+    "2": "intraventricular",
+    "3": "normal",
+    "4": "subarachnoid",
+    "5": "subdural"
+}
+
+# Função para classificar a imagem
+def classify_image(image):
+    # Aplica o pré-processamento na imagem
+    image = preprocess(image)
+    
+    # Adiciona uma dimensão extra para criar um lote (batch) de tamanho 1
+    image = image.unsqueeze(0)
+    
+    # Passa a imagem pelo modelo
+    outputs = model(image)
+    
+    # Obtém as probabilidades das classes
+    logits = outputs.logits
+    
+    # Calcula as probabilidades finais usando o softmax
+    probabilities = torch.softmax(logits, dim=1)
+    
+    # Obtém a classe com a maior probabilidade
+    predicted_class = torch.argmax(probabilities, dim=1).item()
+    
+    # Rótulo da classe prevista
+    predicted_label = id2label.get(str(predicted_class), "Desconhecido")
+    
+    # Obtém a data e hora atual
+    current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+    
+    # Formate a saída em HTML com data e hora
+    result_html = f"""
+    <h2>Resultado da Classificação</h2>
+    <p><strong>Classe Predita:</strong> {predicted_label}</p>
+    <p><strong>Data e Hora:</strong> {current_time}</p>
+    """
+    
+    # Retorna o resultado formatado em HTML
+    return result_html
+
+# Crie uma interface Gradio com instruções de uso
+iface = gr.Interface(
+    fn=classify_image,
+    inputs=gr.inputs.Image(type="numpy", label="Carregar uma imagem"),
+    outputs=gr.outputs.HTML(),  # Saída formatada com HTML
+    title="Classificador de Hemorragia Intracraniana",
+    description="""<h1>Classificador de Hemorragia Intracraniana</h1>
+<p>Esta aplicação Gradio permite classificar imagens relacionadas à hemorragia intracraniana usando um modelo Vision Transformer (ViT).</p>
+
+<h2>Instruções de Uso</h2>
+
+<ol>
+  <li>Clique no botão "Escolher Arquivo" para fazer o upload de uma imagem relacionada à hemorragia intracraniana.</li>
+  <li>Aguarde alguns segundos enquanto o modelo processa a imagem.</li>
+  <li>O resultado mostrará a classe prevista relacionada à hemorragia intracraniana.</li>
+  <li>A data e a hora da classificação também serão exibidas.</li>
+</ol>
+
+<p>Este modelo pode identificar classes de hemorragia intracraniana, como "epidural", "intraparenchymal", "intraventricular", "normal", "subarachnoid" e "subdural".</p>
+
+<p>Por favor, note que este é um modelo de demonstração e os resultados podem não ser precisos para fins clínicos.</p>"""
+)
+
+# Inicie a interface Gradio
+iface.launch()