app.py

import gradio as gr
import tensorflow as tf
import numpy as np
import os

model = tf.keras.models.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()