Atualização

README.md

@@ -31,7 +31,11 @@ TensorFlow e MobileNetV2
 
 ## Mais informações
 
-rmayormartins@gmail.com
+Desenvolvido por Ramon Mayor Martins (2023)
+mail rmayormartins@gmail.com 
+hp https://rmayormartins.github.io/
+twitter @rmayormartins 
+github https://github.com/rmayormartins
 
 ## 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

@@ -3,27 +3,26 @@ 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]
+    # MobileNetV2:
+    
     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:
@@ -31,14 +30,13 @@ def predict_image(img):
 
     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
+#gradio
 image_input = gr.Image()
 label_output = gr.Label()
 
@@ -49,5 +47,6 @@ interface = gr.Interface(
     examples=exemplos
 )
 
-# Lançar a interface
-interface.launch()
+
+interface.launch(debug=True)
+