Spaces:
Sleeping
Sleeping
import gradio as gr | |
import torch | |
from torchvision import models | |
from tensorflow.keras.models import load_model | |
import numpy as np | |
import os | |
# os.system("tar -zxvf mycnn1.tar.gz") | |
# os.system("tar -zxvf examples.tar.gz") | |
model = load_model('model_cv.h5') | |
def detect(img): | |
img = img.reshape(1,100,100,3) | |
prediction = np.around(model.predict(img)[0], decimals=0)[0] | |
if prediction == 1: | |
return "Pneumonia Detected!" | |
return "Pneumonia Not Detected!" | |
input = gr.inputs.Image(shape=(100,100)) | |
examples = ['examples/n1.jpeg', 'examples/n2.jpeg', 'examples/n3.jpeg', 'examples/n4.jpeg', 'examples/n5.jpeg', | |
'examples/n6.jpeg', 'examples/n7.jpeg', 'examples/n8.jpeg', 'examples/p6.jpeg', 'examples/p7.jpeg', | |
'examples/p1.jpeg', 'examples/p2.jpeg', 'examples/p3.jpeg', 'examples/p4.jpeg', 'examples/p8.jpeg'] | |
title = "PneumoDetect: Pneumonia Detection from Chest X-Rays" | |
iface = gr.Interface(fn=detect, inputs=input, outputs="text", examples=examples, examples_per_page=20, title=title) | |
iface.launch(inline=False) | |
# model_name = "Horus7/kaduce" # Remplacez par le nom de votre modèle Hugging Face | |
# # tokenizer = AutoTokenizer.from_pretrained(model_name) | |
# model = AutoModelForSequenceClassification.from_pretrained(model_name) | |
# def predict(image): | |
# # Prétraiter l'image (vous pouvez adapter cela en fonction des besoins de votre modèle) | |
# preprocessed_image = preprocess_image(image) | |
# # Faire une prédiction avec le modèle | |
# prediction = model.predict(preprocessed_image) | |
# # Renvoyer la prédiction | |
# return prediction | |
# # Fonction pour prétraiter l'image avant la prédiction | |
# def preprocess_image(image): | |
# # Effectuer les étapes de prétraitement nécessaires pour votre modèle (redimensionnement, normalisation, etc.) | |
# return image | |
# # Interface Gradio | |
# inputs = gr.inputs.Image() # Entrée : une image | |
# outputs = gr.outputs.Label() # Sortie : une étiquette | |
# gr.Interface(fn=predict, inputs=inputs, outputs=outputs).launch() | |