File size: 1,912 Bytes
49ec8a1 a423854 49ec8a1 72aa25c 49ec8a1 c5932f8 a423854 c5932f8 a423854 95bc528 49ec8a1 4503b5a 49ec8a1 4503b5a 49ec8a1 4503b5a a423854 c5932f8 49ec8a1 c5932f8 4503b5a 49ec8a1 95bc528 49ec8a1 95bc528 49ec8a1 95bc528 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 |
import gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image
import json
# Carregue o modelo previamente treinado
model = tf.keras.models.load_model("model_acc_0.7240.h5")
# Carregue o arquivo JSON com as categorias indexadas e descrições de diagnóstico
with open("categories.json", "r") as json_file:
categories_data = json.load(json_file)
categories = [entry["category"] for entry in categories_data]
diagnoses = [entry["diagnosis"] for entry in categories_data]
# Descrição do modelo e seu objetivo em português
model_description = (
"Este modelo foi treinado para classificar imagens médicas do trato gastrointestinal humano em várias categorias "
"com diagnósticos associados. Ele pode ajudar a identificar condições médicas a partir de imagens."
)
# Crie uma função para realizar a classificação
def classify_image(image):
try:
# Redimensione a imagem para 100x100 pixels
image = Image.fromarray(image.astype('uint8'))
image = image.resize((100, 100)) # Redimensione para 100x100
image = np.array(image)
# Realize a classificação
prediction = model.predict(image[None, ...])
# Decodifique a classe prevista
class_idx = np.argmax(prediction)
class_label = categories[class_idx]
diagnosis = diagnoses[class_idx]
return f"Classe prevista: {class_label}\nDiagnóstico: {diagnosis}"
except Exception as e:
return str(e)
# Crie uma interface Gradio com descrição completa e título informativo em português
iface = gr.Interface(
fn=classify_image,
inputs=gr.inputs.Image(), # Entrada de imagem
outputs="text", # Saída de texto com a classe prevista e diagnóstico
title="Sistema de Classificação de Anomalias Gastrointestinais por Imagem",
description=model_description
)
# Inicie a interface Gradio
iface.launch()
|