Create app.py

app.py

@@ -0,0 +1,44 @@
+import streamlit as st
+from transformers import AutoProcessor, AutoModelForImageClassification
+from PIL import Image
+import torch
+
+# Título do aplicativo
+st.title("Classificador de Imagens com AutoTrain")
+
+# Caminho do modelo no Hugging Face Model Hub (substitua pelo seu modelo AutoTrain)
+model_name_or_path = "nome-do-seu-usuario/nome-do-seu-modelo"  # Substitua com seu modelo AutoTrain
+
+# Carregar o processador e o modelo
+@st.cache(allow_output_mutation=True)
+def load_model():
+    processor = AutoProcessor.from_pretrained(model_name_or_path)
+    model = AutoModelForImageClassification.from_pretrained(model_name_or_path)
+    return processor, model
+
+processor, model = load_model()
+
+# Carregar a imagem pelo uploader
+uploaded_file = st.file_uploader("Escolha uma imagem...", type=["jpeg", "jpg", "png"])
+
+if uploaded_file is not None:
+    # Abrir a imagem usando PIL
+    image = Image.open(uploaded_file).convert("RGB")
+
+    # Exibir a imagem no aplicativo
+    st.image(image, caption='Imagem carregada.', use_column_width=True)
+
+    # Pré-processar a imagem
+    pixel_values = processor(images=image, return_tensors="pt").pixel_values
+
+    # Fazer a previsão
+    with torch.no_grad():
+        outputs = model(pixel_values)
+        logits = outputs.logits
+        predicted_class_idx = logits.argmax(-1).item()
+
+        # Obter a label prevista
+        predicted_label = model.config.id2label[predicted_class_idx]
+
+    # Exibir o resultado da previsão
+    st.write(f"Categoria prevista: **{predicted_label}**")