Update app.py

app.py

@@ -1,34 +1,34 @@
 import os
 import numpy as np
 import gradio as gr
-from tensorflow.keras.models import load_model
+import tensorflow as tf
 from PIL import Image
 
 # Desabilitar o uso da GPU pelo TensorFlow
 os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
 os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"  # Suprimir mensagens de aviso do TensorFlow
 
-# Caminho do modelo treinado
-model_path = "BreastCancerIDCAnalyzer/50_epochs.h5"
-
 # Carregar o modelo treinado
-model = load_model(model_path)
+model = tf.keras.models.load_model("50_epochs.h5")
 
 # Função para fazer a previsão usando o modelo
 def classify_image(image):
-    # Pré-processamento da imagem
-    image = image.resize((300, 300))  # Redimensionar a imagem para o tamanho esperado pelo modelo
-    image = np.asarray(image) / 255.0  # Converter a imagem em um array numpy normalizado
-
-    # Fazer a previsão
-    prediction = model.predict(image.reshape((1,) + image.shape))
-    if prediction[0][0] >= 0.5:
-        label = 'Câncer'
-    else:
-        label = 'Não câncer'
-
-    # Retornar o resultado da previsão
-    return label
+    try:
+        # Pré-processamento da imagem
+        image = image.resize((300, 300))  # Redimensionar a imagem para o tamanho esperado pelo modelo
+        image = np.asarray(image) / 255.0  # Converter a imagem em um array numpy normalizado
+
+        # Fazer a previsão
+        prediction = model.predict(image.reshape((1,) + image.shape))
+        if prediction[0][0] >= 0.5:
+            label = 'Câncer'
+        else:
+            label = 'Não câncer'
+
+        # Retornar o resultado da previsão
+        return label
+    except Exception as e:
+        return {"error": str(e)}
 
 # Interface do usuário
 iface = gr.Interface(