Upload 4 files

.gitattributes

@@ -33,3 +33,5 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+EfficientNetB4_adam.keras filter=lfs diff=lfs merge=lfs -text
+MobileNet_adam.keras filter=lfs diff=lfs merge=lfs -text

EfficientNetB4_adam.keras

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:966c8ab6ad66ebc56f233d0899acc84bd06a95075a4e99f08cf8222546b24bc3
+size 215805290

MobileNet_adam.keras

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a751d02c9dd9360f648ad2cab6e417966bc4a7461afbf08999d6aa166acef382
+size 40535363

app.py

@@ -0,0 +1,62 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+
+# Dicionário para mapear os nomes amigáveis para os arquivos reais
+MODELOS = {
+    "EfficientNetB4 (Alta Precisão)": "EfficientNetB4_adam.keras",
+    "MobileNet (Alta Velocidade)": "MobileNet_adam.keras"
+}
+
+# Cache para não precisar recarregar o arquivo toda vez que clicar no botão
+cache_modelos = {}
+
+def carregar_modelo(nome_selecionado):
+    arquivo = MODELOS[nome_selecionado]
+    if arquivo not in cache_modelos:
+        print(f"Carregando {arquivo} para o cache...")
+        cache_modelos[arquivo] = tf.keras.models.load_model(arquivo)
+    return cache_modelos[arquivo]
+
+def realizar_predicao(imagem, nome_modelo):
+    # 1. Carregar o modelo selecionado no dropdown
+    model = carregar_modelo(nome_modelo)
+    
+    # 2. Definir o tamanho baseado no modelo
+    # EfficientNetB4 usa 380x380, MobileNet usa 224x224
+    tamanho = (380, 380) if "EfficientNetB4" in nome_modelo else (224, 224)
+    
+    # 3. Pré-processar a imagem
+    img_redimensionada = tf.image.resize(imagem, tamanho)
+    img_array = np.expand_dims(img_redimensionada, axis=0)
+    
+    # 4. Fazer a predição
+    predicoes = model.predict(img_array)
+    classe_id = np.argmax(predicoes, axis=1)[0]
+    confianca = float(np.max(predicoes))
+    
+    return f"Modelo: {nome_modelo}\nClasse Detectada: {classe_id}\nConfiança: {confianca:.2%}"
+
+# Criar a Interface Visual
+with gr.Blocks() as demo:
+    gr.Markdown("Teste de modelo Tensorflow")
+    gr.Markdown("Selecione qual modelo a IA deve usar para analisar a foto.")
+    
+    with gr.Row():
+        with gr.Column():
+            seletor = gr.Dropdown(
+                choices=list(MODELOS.keys()), 
+                value=list(MODELOS.keys())[0], 
+                label="Escolha o Modelo"
+            )
+            input_img = gr.Image(label="Upload da Imagem")
+            btn = gr.Button("Analisar")
+        
+        with gr.Column():
+            output_text = gr.Textbox(label="Resultado da Predição")
+
+    # Ação do botão
+    btn.click(fn=realizar_predicao, inputs=[input_img, seletor], outputs=output_text)
+
+if __name__ == "__main__":
+    demo.launch()

requirements.txt

@@ -0,0 +1,3 @@
+tensorflow
+gradio
+numpy