app.py

import gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image as PILImage  # Para evitar conflito com Gradio

# Carregar o modelo .tflite
interpreter = tf.lite.Interpreter(model_path="model_unquant.tflite")
interpreter.allocate_tensors()

# Obter detalhes do modelo
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()

# Classes de saída do modelo
classes = ['Bastonete', 'Basófilo']

def recognize_image(image):
    # Redimensionar a imagem para 224x224 (o tamanho esperado pelo modelo)
    image = PILImage.fromarray(image).resize((224, 224))

    # Converter para array NumPy e normalizar os valores
    image_array = np.array(image).astype(np.float32)
    image_array /= 255.0  # Normalizar para o intervalo [0, 1]

    # Adicionar uma dimensão extra para o batch size (necessário para o modelo)
    image_input = np.expand_dims(image_array, axis=0)

    # Fazer a inferência no modelo
    interpreter.set_tensor(input_details[0]['index'], image_input)
    interpreter.invoke()

    # Obter o resultado da inferência
    output_data = interpreter.get_tensor(output_details[0]['index'])

    # Obter o índice da classe com maior probabilidade
    predicted_class_index = np.argmax(output_data)
    predicted_class_name = classes[predicted_class_index]
    predicted_confidence = output_data[0][predicted_class_index] * 100  # Converter para %

    return f"Classe: {predicted_class_name} (Confiança: {predicted_confidence:.2f}%)"

# Configurando a interface Gradio
interface = gr.Interface(
    fn=recognize_image, 
    inputs=gr.Image(),  # Removemos o shape
    outputs="text"  # Saída: texto com a classe e confiança
)

# Lançar o servidor com compartilhamento público
interface.launch(share=True)