Update app.py

app.py

@@ -49,33 +49,29 @@ def classify_image(input_image):
     # Crie uma imagem composta com o rótulo de previsão
     output_image = (input_image[0] * 255).astype('uint8')
 
-    # Set output image dimensions to match input image
-    output_image = np.ones((input_image.shape[1], input_image.shape[2], 3), dtype=np.uint8) * 255
+    # Adicione espaço para o rótulo de previsão na parte inferior da imagem
+    output_image = cv2.copyMakeBorder(output_image, 0, 50, 0, 0, cv2.BORDER_CONSTANT, value=(255, 255, 255))
 
-    # Add space for the prediction label at the bottom of the image
+    # Desenhe um retângulo branco como fundo para o rótulo
     label_background = np.ones((50, output_image.shape[1], 3), dtype=np.uint8) * 255
 
-    # Put the text label and box inside the white background
+    # Coloque o texto do rótulo e a caixa dentro do fundo branco
     output_image[-50:] = label_background
 
-    # Write the prediction label on the image
+    # Escreva o rótulo de previsão na imagem
     font = cv2.FONT_HERSHEY_SIMPLEX
     font_scale = 0.4  # Tamanho da fonte reduzido
     cv2.putText(output_image, f"Analysis Time: {current_time.strftime('%Y-%m-%d %H:%M:%S')}", (10, output_image.shape[0] - 30), font, font_scale, (0, 0, 0), 1)
     cv2.putText(output_image, f"Predicted Class: {predicted_class}", (10, output_image.shape[0] - 10), font, font_scale, (0, 0, 0), 1)  # Cor preta
 
-    # Calculate the box size as a percentage of the image size
-    box_percentage = 0.1  # Adjust as needed
-    box_size = int(min(output_image.shape[1], output_image.shape[0]) * box_percentage)
+    # Calcule as coordenadas para centralizar a caixa azul no centro da imagem
+    image_height, image_width, _ = output_image.shape
+    box_size = 100  # Tamanho da caixa azul (ajuste conforme necessário)
+    box_x = (image_width - box_size) // 2
+    box_y = (image_height - box_size) // 2
 
-    # Calculate the box position both horizontally and vertically
-    box_x = (output_image.shape[1] - box_size) // 2
-    box_y = (output_image.shape[0] - box_size) // 2
-
-    # Color-code the object box based on the predicted class
-    object_box_color = (0, 255, 0) if predicted_class == "Normal" else (255, 0, 0)  # Green for Normal, Red for Cataract
-
-    # Draw a centered object identification box (blue rectangle)
+    # Desenhe uma caixa de identificação de objeto (retângulo azul) centralizada
+    object_box_color = (255, 0, 0)  # Azul (BGR)
     cv2.rectangle(output_image, (box_x, box_y), (box_x + box_size, box_y + box_size), object_box_color, 2)  # Caixa centralizada
 
     return output_image
@@ -89,4 +85,4 @@ input_interface = gr.Interface(
 )
 
 # Inicie o aplicativo Gradio
-input_interface.launch()
+input_interface.launch()