Update app.py

app.py

@@ -1,53 +1,47 @@
-import streamlit as st
-import numpy as np
-from keras.models import load_model
-from keras.preprocessing import image
-from PIL import Image
-
-# Título da aplicação
-st.title("Reconhecimento de LIBRAS")
-
-# Carregue o modelo treinado
-@st.cache_resource  # Cache para carregar o modelo apenas uma vez
-def load_custom_model():
-    return load_model('libras_model_v2.keras')
-
-model = load_custom_model()
-
-# Carregue as labels
-@st.cache_data  # Cache para carregar as labels apenas uma vez
-def load_labels():
-    return np.load('labels.npy', allow_pickle=True)
-
-labels = load_labels()
-
-# Função para fazer a predição em uma única imagem
-def predict_image(img):
-    # Redimensione a imagem para o tamanho esperado pelo modelo (50x50)
-    img = img.resize((50, 50))
-    img_array = image.img_to_array(img) / 255.0
-    img_array = np.expand_dims(img_array, axis=0)
-
-    # Faça a predição
-    preds = model.predict(img_array)
-    pred_label = labels[np.argmax(preds)]
-    confidence = np.max(preds) * 100  # Confiança da predição em porcentagem
-
-    return pred_label, confidence
-
-# Upload da imagem
-uploaded_file = st.file_uploader("Escolha uma imagem...", type=["jpg", "jpeg", "png"])
-
-if uploaded_file is not None:
-    # Carregue a imagem
-    img = Image.open(uploaded_file)
-
-    # Exiba a imagem
-    st.image(img, caption='Imagem carregada', use_column_width=True)
-
-    # Faça a predição
-    pred_label, confidence = predict_image(img)
-
-    # Exiba o resultado
-    st.success(f"Predição: **{pred_label}**")
+import streamlit as st
+import numpy as np
+from keras.models import load_model
+from keras.preprocessing import image
+from PIL import Image
+
+st.title("Reconhecimento de LIBRAS")
+
+
+@st.cache_resource
+def load_custom_model():
+    return load_model('libras_model_v2.keras')
+
+model = load_custom_model()
+
+
+@st.cache_data
+def load_labels():
+    return np.load('labels.npy', allow_pickle=True)
+
+labels = load_labels()
+
+
+def predict_image(img):
+    img = img.resize((50, 50))
+    img_array = image.img_to_array(img) / 255.0
+    img_array = np.expand_dims(img_array, axis=0)
+
+
+    preds = model.predict(img_array)
+    pred_label = labels[np.argmax(preds)]
+    confidence = np.max(preds) * 100 
+    
+    return pred_label, confidence
+
+
+uploaded_file = st.file_uploader("Escolha uma imagem...", type=["jpg", "jpeg", "png"])
+
+if uploaded_file is not None:
+    img = Image.open(uploaded_file)
+
+    st.image(img, caption='Imagem carregada', use_column_width=True)
+
+    pred_label, confidence = predict_image(img)
+
+    st.success(f"Predição: **{pred_label}**")
     st.info(f"Confiança: **{confidence:.2f}%**")