Adiciona projeto do classificador de imagens

README.md

@@ -1,13 +1,16 @@
----
-title: Image Classifier
-emoji: 🐠
-colorFrom: green
-colorTo: purple
-sdk: gradio
-sdk_version: 4.12.0
-app_file: app.py
-pinned: false
-license: ecl-2.0
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Meu Projeto de IA
+
+Este projeto utiliza um modelo de deep learning para classificar imagens.
+TensorFlow e MobileNetV2
+
+## Como usar
+
+1. Carregue uma imagem usando a interface.
+2. O modelo irá prever se a imagem foi gerada por IA ou por humanos.
+
+## Mais informações
+
+rmayormartins@gmail.com
+
+## Para mim
+1. Eu atualizo o modelo pelo image-classifier3 no Colab, salvo no Drive o modelo em MODEL, e carrego localmente na pasta Documents para o git

app.py

@@ -0,0 +1,53 @@
+import gradio as gr
+import tensorflow as tf
+import numpy as np
+from PIL import Image
+
+# Carregar o modelo treinado
+# O modelo deve estar na mesma pasta que este script
+model = tf.keras.models.load_model('meu_modelo.h5')
+
+def predict_image(img):
+    # Converter a imagem PIL para um array NumPy
+    img = np.array(img)
+
+    # Redimensionar a imagem para o tamanho esperado pelo modelo (224, 224)
+    img = tf.image.resize(img, (224, 224))
+
+    # Pré-processamento manual para MobileNetV2:
+    # Escalar os valores de pixel para o intervalo [-1, 1]
+    img = img / 127.5 - 1
+
+    # Adicionar uma dimensão de batch
+    img = np.expand_dims(img, axis=0)
+
+    prediction = model.predict(img)
+
+    # Interpretar o resultado da predição e criar um dicionário para a saída
+    if prediction < 0.5:
+        result = {"ai": float(1 - prediction[0][0]), "human": float(prediction[0][0])}
+    else:
+        result = {"human": float(prediction[0][0]), "ai": float(1 - prediction[0][0])}
+
+    return result
+
+# Lista de exemplos
+# As imagens de exemplo devem estar na mesma pasta que este script
+exemplos = [
+    'vangoghai.jpg',
+    'vangoghhuman.jpg'
+]
+
+# Criar a interface do gradio
+image_input = gr.Image()
+label_output = gr.Label()
+
+interface = gr.Interface(
+    fn=predict_image,
+    inputs=image_input,
+    outputs=label_output,
+    examples=exemplos
+)
+
+# Lançar a interface
+interface.launch()

meu_modelo.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cd71875d2a7c97aca4990678813a89a6c3996c450d25f9d89ce0dc58517c1079
+size 9549048

requirements.txt

@@ -0,0 +1,4 @@
+tensorflow
+gradio
+numpy
+Pillow