Update app.py

app.py

@@ -1,7 +1,9 @@
 import gradio as gr
 import tensorflow as tf
 import numpy as np
-from PIL import Image
+from PIL import Image as PILImage
+import requests
+import os
 
 # Carregar o modelo .tflite
 interpreter = tf.lite.Interpreter(model_path="model_unquant.tflite")
@@ -12,41 +14,40 @@ output_details = interpreter.get_output_details()
 
 classes = ['Bastonete', 'Basófilo']
 
-def recognize_image(file):
-    try:
-        # Abrir o arquivo recebido
-        image = Image.open(file).convert("RGB")
+def recognize_image(image):
+    # Verificar se a entrada é uma URL
+    if isinstance(image, str) and image.startswith("http"):
+        response = requests.get(image)
+        image = PILImage.open(BytesIO(response.content))
 
-        # Redimensionar a imagem para o tamanho esperado pelo modelo
-        image = image.resize((224, 224))
+    # Redimensionar a imagem para 224x224 (o tamanho esperado pelo modelo)
+    image = PILImage.fromarray(image).resize((224, 224))
 
-        # Converter a imagem para um array NumPy e normalizar os valores
-        image_array = np.array(image).astype(np.float32) / 255.0
+    # 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
-        image_input = np.expand_dims(image_array, axis=0)
+    # 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()
+    # 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 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
+    # 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}%)"
-    except Exception as e:
-        return f"Erro ao processar a imagem: {str(e)}"
+    return f"Classe: {predicted_class_name} (Confiança: {predicted_confidence:.2f}%)"
 
-# Configuração do Gradio
 interface = gr.Interface(
     fn=recognize_image,
-    inputs=gr.File(type="file"),  # Recebe o arquivo como entrada
-    outputs="text"  # Resultado em formato de texto
+    inputs=[gr.Image(), gr.Textbox(label="Caminho ou URL (opcional)")],
+    outputs="text"
 )
 
-interface.launch()
+interface.launch(share=True)