Update app.py

app.py

@@ -1,21 +1,9 @@
 import gradio as gr
 import tensorflow as tf
 import numpy as np
+import cv2
 from PIL import Image, ImageDraw, ImageFont
 
-# Defina a camada personalizada FixedDropout
-class FixedDropout(tf.keras.layers.Dropout):
-    def _get_noise_shape(self, inputs):
-        if self.noise_shape is None:
-            return self.noise_shape
-        symbolic_shape = tf.shape(inputs)
-        noise_shape = [symbolic_shape[axis] if shape is None else shape
-                       for axis, shape in enumerate(self.noise_shape)]
-        return tuple(noise_shape)
-
-# Registre a camada personalizada FixedDropout
-tf.keras.utils.get_custom_objects()['FixedDropout'] = FixedDropout
-
 # Carregue seu modelo TensorFlow treinado
 model = tf.keras.models.load_model('modelo_treinado.h5')
 
@@ -34,24 +22,26 @@ def classify_image(input_image):
     class_labels = ["Normal", "Cataract"]  # Substitua pelas suas etiquetas de classe reais
     predicted_class = class_labels[class_index]
 
-    # Retorne a classe prevista e as probabilidades das classes
-    class_probabilities = {class_labels[i]: round(float(prediction[0][i]), 4) for i in range(len(class_labels))}
+    # Crie uma imagem composta com a caixa de identificação de objeto e o rótulo de previsão
+    output_image = (input_image[0] * 255).astype('uint8')
+    output_image_with_box = output_image.copy()
+
+    # Desenhe uma caixa de identificação de objeto no output_image_with_box (apenas como exemplo)
+    if predicted_class == "Cataract":  # Adicione sua lógica para desenhar a caixa com base na classe
+        cv2.rectangle(output_image_with_box, (50, 50), (150, 150), (0, 255, 0), 2)  # Exemplo de caixa verde
 
-    # Crie uma imagem composta com o rótulo de previsão
-    output_image = Image.fromarray((input_image[0] * 255).astype('uint8'))
-    draw = ImageDraw.Draw(output_image)
-    font = ImageFont.load_default()
-    label_text = f"Predicted Class: {predicted_class}"
-    draw.text((10, 10), label_text, (255, 0, 0), font=font)
+    # Escreva o rótulo de previsão no output_image_with_box
+    font = cv2.FONT_HERSHEY_SIMPLEX
+    cv2.putText(output_image_with_box, f"Predicted Class: {predicted_class}", (10, 30), font, 0.7, (0, 0, 255), 2)
 
-    return input_image[0], output_image, class_probabilities
+    return output_image_with_box
 
 # Crie uma interface Gradio
 input_interface = gr.Interface(
     fn=classify_image,
     inputs="image",  # Especifique o tipo de entrada como "image"
-    outputs=["image", "image", "text"],  # Especifique três tipos de saída: imagem de entrada, imagem de saída e texto
-    output_labels=["Input Image", "Output Image", "Class Probabilities"]  # Rotule as saídas
+    outputs="image",  # Especifique o tipo de saída como "image"
+    live=True
 )
 
 # Inicie o aplicativo Gradio