app.py

import gradio as gr
import tensorflow as tf
from modules.binary_classification import binary_classification as binary
from modules.image_classification import image_classification as image
from modules.multilabel_classification import multi_classification as multi
from modules.retina import predict_diabetic_retinopathy as retina_detector
import cv2

def binary_classification(text):
    if(text != ''):
        return binary(text)
    else:
        raise gr.Error('Il testo è obbligatorio!')

def multi_classification(text):
    if(text != ''):
        try:
            return multi(text)
        except:
            raise gr.Error('La lingua del testo non corrisponde alla lingua del modello!')
    else:
        raise gr.Error('Il testo è obbligatorio!')  
    
def file_change(file):
    image = cv2.imread(file)
    return image

def image_classification(img):
    try:
        return image(img)
    except:
        raise gr.Error('L\'immagine è obbligatoria!')

def file_change_dr(file):
    return file

def retina_classification(retina):
    try:
        return retina_detector(retina)
    except:
        raise gr.Error('L\'immagine è obbligatoria!')
        
with gr.Blocks() as demo:
    gr.Markdown("# NGT AI Platform")
    with gr.Tab("Sentiment Analysis"):
        gr.Markdown("Inviato il testo di una recensione, il servizio classifica lo stesso come Positivo o Negativo")
        with gr.Row(equal_height=True):
            with gr.Column():
                binary_classification_input = gr.Textbox()
            with gr.Column(scale=1):
                binary_classification_output = gr.Label()
                binary_classification_button = gr.Button("Analizza")
    with gr.Tab("Review Classification"):
        gr.Markdown("""
                    Inviato un testo, il servizio classifica lo stesso come:\n
                    'Economia', 'Politica', 'Scienza_e_tecnica', 'Sport', 'Storia'
                    """)
        with gr.Row(equal_height=True):
            with gr.Column():
                multi_classification_input = gr.Textbox()
            with gr.Column():
                multi_classification_output = gr.Label(num_top_classes=8)
                multi_classification_button = gr.Button("Analizza")
    with gr.Tab("Pneumonia/Tuberculosis Detection"):
        gr.Markdown("""
                    Inviata una radiografia del petto, il servizio classifica la stessa come:\n 
                    'Tubercolosi', 'No_Tubercolosi',  'Pneumonia', 'No_Pneumonia'
                     """)
        with gr.Row(equal_height=True):
            file_selected = gr.FileExplorer(
                root_dir="data/gallery/xray",
                file_count='single',
                label='Esplora',
                height=400
            )
            image_input = gr.Image(show_download_button=False,
                        show_share_button=False, sources=["upload"], height=400)
            with gr.Column():
                image_output = [gr.Label(label="Diagnosi", scale=1)]
                image_button = gr.Button("Analizza")
    with gr.Tab("Diabetic Retinopathy Detection"):
        gr.Markdown("""
                    Questa interfaccia utilizza un modello di deep learning basato su rete neurale convoluzionale, in modo da predirre la presenza o meno di retinopatia diabetica a partire da un'immagine retinica
                     """)
        with gr.Row(equal_height=True):
            with gr.Column(scale=1):
                file_selected_dr = gr.FileExplorer(
                    root_dir="data/gallery/retinopaty",
                    file_count='single',
                    label='Esplora',
                    height=400
                )
            with gr.Column(scale=2):
                with gr.Row():
                    image_i = gr.Image(
                        show_download_button=False,
                        show_share_button=False,
                        sources=["upload"],
                        height=400
                    )
                    with gr.Column():
                        image_o = [gr.Label(label="Diagnosi"), gr.Label(label="Probabilità di patologia")]
                        image_button_dr = gr.Button("Analizza")
                    


    binary_classification_button.click(binary_classification, inputs=binary_classification_input, outputs=binary_classification_output)
    multi_classification_button.click(multi_classification, inputs=multi_classification_input, outputs=multi_classification_output)
    image_button.click(image_classification, inputs=image_input, outputs=image_output)
    image_button_dr.click(retina_classification, inputs=image_i, outputs=image_o)

    file_selected.change(file_change, inputs=file_selected, outputs=image_input)
    file_selected_dr.change(file_change_dr, inputs=file_selected_dr, outputs=image_i)
        

demo.launch()