app.py

# -*- coding: utf-8 -*-
"""app.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/1F6FhGqNtRd7g_rwOjRXAqLN8x8hflsRb
"""

import tensorflow as tf
import numpy as np
from tensorflow.keras.models import load_model
from PIL import Image
import gradio as gr
import os

MODEL_PATH = "modelo_cats_vs_dogs_cnn.h5"
IMG_SIZE = (128, 128)

# Carrega o modelo
model = load_model(MODEL_PATH)

def predict_image(img: Image.Image):
    # Garante 3 canais
    img = img.convert("RGB")
    # Redimensiona
    img = img.resize(IMG_SIZE)
    # Para array, normaliza
    img_array = np.array(img).astype("float32") / 255.0
    # Adiciona batch
    img_array = np.expand_dims(img_array, axis=0)

    # Predição
    pred = model.predict(img_array)[0][0]  # valor entre 0 e 1 (sigmoid)

    prob_cachorro = float(pred)
    prob_gato = float(1 - pred)

    if pred >= 0.5:
        classe = "Cachorro 🐶"
    else:
        classe = "Gato 😺"

    texto = f"Classe prevista: {classe}\nProb. Gato: {prob_gato:.3f}\nProb. Cachorro: {prob_cachorro:.3f}"

    # Label do Gradio aceita um dict com probs
    probs_dict = {
        "Gato": prob_gato,
        "Cachorro": prob_cachorro
    }

    return texto, probs_dict

titulo = "Classificador de Cães e Gatos (CNN - TensorFlow)"
descricao = "Envie uma imagem de gato ou cachorro e o modelo vai prever a classe 🐶😺."

demo = gr.Interface(
    fn=predict_image,
    inputs=gr.Image(type="pil", label="Envie uma imagem de gato ou cachorro"),
    outputs=[
        gr.Textbox(label="Resultado"),
        gr.Label(label="Probabilidades")
    ],
    title=titulo,
    description=descricao
)

if __name__ == "__main__":
    # Importante para funcionar dentro do container
    port = int(os.getenv("PORT", 7860))
    demo.launch(server_name="0.0.0.0", server_port=port)