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()