Upload 3 files

modelo_quantizado16bits.tflite

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b811b8ad7116a501259ac5bbb9fbaefb783a03726ddc7fbed4232a87d0cfbf03
+size 326262764

requirements.txt

@@ -0,0 +1,7 @@
+gradio
+numpy
+tensorflow
+pillow
+pandas
+plotly
+gdown

soulcode_daniel_app.py

@@ -0,0 +1,63 @@
+# -*- coding: utf-8 -*-
+"""Soulcode - Daniel - app
+
+Automatically generated by Colab.
+
+Original file is located at
+    https://colab.research.google.com/drive/13peJNRQ1u9QyZ2VueTA7vDPoQ6Q7QcQO
+"""
+
+import gradio as gr
+from PIL import Image
+import numpy as np
+import tensorflow as tf
+import pandas as pd
+import plotly.express as px
+import gdown
+import os
+
+# Carrega o modelo TFLite uma única vez
+def carrega_modelo():
+    output = 'modelo_quantizado16bits.tflite'
+
+    if not os.path.exists(output):
+        raise FileNotFoundError("O modelo TFLite não foi encontrado no diretório do app.")
+
+    interpreter = tf.lite.Interpreter(model_path=output)
+    interpreter.allocate_tensors()
+    return interpreter
+
+interpreter = carrega_modelo()
+
+# Função principal que recebe a imagem e retorna o gráfico
+def classificar_imagem(imagem_pil):
+    # Pré-processamento da imagem
+    image = np.array(imagem_pil, dtype=np.float32)
+    image = image / 255.0
+    image = np.expand_dims(image, axis=0)
+
+    # Realiza inferência
+    input_details = interpreter.get_input_details()
+    output_details = interpreter.get_output_details()
+    interpreter.set_tensor(input_details[0]['index'], image)
+    interpreter.invoke()
+    output_data = interpreter.get_tensor(output_details[0]['index'])
+
+    # Processa saída e cria gráfico
+    classes = ['BlackMeasles', 'BlackRot', 'HealthyGrapes', 'LeafBlight']
+    df = pd.DataFrame({'classes': classes, 'probabilidades (%)': 100 * output_data[0]})
+    fig = px.bar(df, y='classes', x='probabilidades (%)', orientation='h', text='probabilidades (%)',
+                 title='Probabilidade de Classes de Doenças em Uvas')
+    return fig
+
+# Interface Gradio
+interface = gr.Interface(
+    fn=classificar_imagem,
+    inputs=gr.Image(type="pil", label="Envie uma imagem de folha de videira"),
+    outputs=gr.Plot(label="Gráfico de Previsões"),
+    title="Classificador de Folhas de Videira 🍇",
+    description="Faça upload de uma imagem de folha de videira para detectar possíveis doenças."
+)
+
+if __name__ == "__main__":
+    interface.launch()