app.py

import gradio as gr
from transformers import pipeline
import torch
from PIL import Image
import numpy as np

WOUND_TYPES = {
    "stage1": "Estágio 1 - Lesão Superficial",
    "stage2": "Estágio 2 - Lesão Parcial",
    "stage3": "Estágio 3 - Lesão Profunda",
    "stage4": "Estágio 4 - Lesão Grave",
    "unstageable": "Não Classificável",
    "healthy": "Pele Saudável"
}

def load_model():
    # Usando um modelo público do Hugging Face para classificação de imagens
    classifier = pipeline(
        "image-classification",
        model="google/vit-base-patch16-224",
        device=0 if torch.cuda.is_available() else -1
    )
    return classifier

def preprocess_image(image):
    if isinstance(image, np.ndarray):
        image = Image.fromarray(image)
    image = image.convert('RGB')
    return image

def classify_wound(image):
    if image is None:
        return None
    
    classifier = load_model()
    processed_image = preprocess_image(image)
    
    # Classificação da imagem
    results = classifier(processed_image)
    
    # Formatando resultados
    formatted_results = []
    for result in results:
        label = result['label'].replace('_', ' ').title()
        score = result['score']
        formatted_results.append((label, score))
    
    return formatted_results

# Interface Gradio
with gr.Blocks(theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🏥 Classificador de Imagens Médicas
    
    Sistema de classificação de imagens usando Vision Transformer (ViT).
    """)
    
    with gr.Row():
        with gr.Column():
            input_image = gr.Image(
                label="Upload da Imagem",
                type="pil"
            )
            submit_btn = gr.Button("Analisar Imagem", variant="primary")
        
        with gr.Column():
            output = gr.Label(
                label="Classificação",
                num_top_classes=3
            )
    
    with gr.Row():
        with gr.Accordion("Informações", open=False):
            gr.Markdown("""
            ### Recomendações para Melhores Resultados:
            1. Use imagens bem iluminadas
            2. Capture a imagem em um ângulo perpendicular
            3. Mantenha um fundo neutro e limpo
            4. Evite sombras ou reflexos excessivos
            
            ### Observações:
            - Este é um modelo de classificação geral
            - Os resultados são aproximações e não substituem avaliação médica
            - Consulte sempre um profissional de saúde para diagnóstico
            """)
    
    # Configurando eventos
    submit_btn.click(
        fn=classify_wound,
        inputs=input_image,
        outputs=output
    )

if __name__ == "__main__":
    demo.launch()