Spaces:
Sleeping
Sleeping
File size: 1,594 Bytes
e2675df 9987fab e2675df |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 |
import torch
import gradio as gr
from PIL import Image
import torchvision.transforms as transforms
# Configurar o dispositivo (CPU/GPU)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# Carregar o modelo completo
model = torch.load("mango_leaf.pth", map_location=device, weights_only=False)
model.to(device)
model.eval()
# Lista de classes
class_names = [
"Anthracnose",
"Bacterial Canker",
"Cutting Weevil",
"Die Back",
"Gall Midge",
"Healthy",
"Powdery Mildew",
"Sooty Mould"
]
# Transformação da imagem (igual à usada no treinamento)
transform = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])
# Função para prever a classe da imagem
def predict(image):
image = image.convert("RGB") # Garante que a imagem esteja no formato correto
input_tensor = transform(image).unsqueeze(0).to(device) # Adiciona batch dimension e move para GPU/CPU
with torch.no_grad():
output = model(input_tensor)
_, predicted = torch.max(output, 1)
return class_names[predicted.item()] # Retorna a classe prevista
# Criar interface Gradio
def main():
interface = gr.Interface(
fn=predict,
inputs=gr.Image(type="pil"),
outputs="text",
title="Classificação de Folhas de Manga",
description="Faça o upload de uma imagem de folha de manga e receba a previsão do modelo."
)
interface.launch()
if __name__ == "__main__":
main()
|