Update app.py

app.py

@@ -1,27 +1,57 @@
 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_name = "Horus7/kaduce"  # Remplacez par le nom de votre modèle Hugging Face
+model = load_model('model_cv.h5')
 
-# 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)
+def detect(img):
+    img = img.reshape(1,100,100,3)
+    prediction = np.around(model.predict(img)[0], decimals=0)[0]
 
-    # Faire une prédiction avec le modèle
-    prediction = model.predict(preprocessed_image)
+    if prediction == 1:
+        return "Pneumonia Detected!"
 
-    # Renvoyer la prédiction
-    return prediction
+    return "Pneumonia Not Detected!"
 
-# 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
+input = gr.inputs.Image(shape=(100,100))
 
-gr.Interface(fn=predict, inputs=inputs, outputs=outputs).launch()
+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()