Spaces:
Sleeping
Sleeping
import os | |
import keras | |
import numpy as np | |
import gradio as gr | |
from tensorflow.keras.applications.xception import preprocess_input | |
model = keras.models.load_model("xception_v4_1_07_0.699.h5") | |
classes = [ | |
"akiec", | |
"bcc", | |
"bkl", | |
"df", | |
"mel", | |
"nv", | |
"vasc", | |
] | |
def image_classifier(inp): | |
x = np.array(inp) | |
X = np.array([x]) | |
X = preprocess_input(X) | |
pred = model.predict(X).flatten() | |
result = {classes[i]: float(pred[i]) for i in range(7)} | |
return result | |
app = gr.Interface( | |
fn=image_classifier, | |
inputs=gr.inputs.Image(shape=(150, 150)), | |
outputs="label", | |
examples=["img/"+img for img in os.listdir("img")], | |
title="Identificador Experimental de Lesões de Pele", | |
description="<b><i>Aviso Legal: Este trabalho faz parte de um projeto educacional. Não se destina a aplicações clínicas. Portanto, não pode fazer previsões reais sobre lesões de pele. Para obter recomendações sobre lesões de pele, consulte um dermatologista ou especialista qualificado.</i></b><br><br>Repositório do código: <a href='https://github.com/bsenst/capstone1-skin-lesion-classifier'>https://github.com/bsenst/capstone1-skin-lesion-classifier</a><br><br>O conjunto de dados está disponível sob a licença CC BY-NC-SA 4.0 e pode ser encontrado aqui: <a href='https://www.kaggle.com/datasets/kmader/skin-cancer-mnist-ham10000'>https://www.kaggle.com/datasets/kmader/skin-cancer-mnist-ham10000</a><br><br>O modelo de rede neural rotula imagens usando as seguintes classes: Queratoses actínicas e carcinoma intraepitelial / doença de Bowen (akiec), carcinoma basocelular (bcc), lesões benignas semelhantes a queratose (lentigos solares / queratoses seborreicas e queratoses semelhantes ao líquen, bkl), dermatofibroma (df), melanoma (mel), nevos melanocíticos (nv) e lesões vasculares (angiomas, angiocratomas, granulomas piogênicos e hemorragia, vasc)", | |
) | |
app.launch() | |