correcao final

app.py

@@ -1,51 +1,29 @@
 import gradio as gr
 import tensorflow as tf
 import numpy as np
-from PIL import Image as PILImage  # Para evitar conflito com Gradio
+from PIL import Image
 
 # Carregar o modelo .tflite
 interpreter = tf.lite.Interpreter(model_path="model_unquant.tflite")
 interpreter.allocate_tensors()
 
-# Obter detalhes do modelo
+# Detalhes da entrada e saída do modelo
 input_details = interpreter.get_input_details()
 output_details = interpreter.get_output_details()
 
-# Classes de saída do modelo
-classes = ['Bastonete', 'Basófilo']
+def predict(image):
+    # Redimensiona a imagem para o tamanho necessário pelo modelo
+    image = image.resize((224, 224))  # Ajuste para o tamanho que seu modelo exige
+    image = np.expand_dims(np.array(image), axis=0).astype(np.float32)
 
-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)
+    # Realiza a inferência
+    interpreter.set_tensor(input_details[0]['index'], image)
     interpreter.invoke()
+    output = interpreter.get_tensor(output_details[0]['index'])
 
-    # 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}%)"
+    # O resultado pode precisar ser ajustado conforme a saída do modelo
+    return output.tolist()  # Retorna o resultado da inferência
 
 # 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
-    allow_flagging="never",
-    queue=False  # Agora suportado pela versão atualizada do Gradio
-)
-
+interface = gr.Interface(fn=predict, inputs="image", outputs="label")
 interface.launch()