Create app.py

app.py

@@ -0,0 +1,137 @@
+import gradio as gr
+from transformers import pipeline, AutoModelForImageClassification, AutoImageProcessor
+import torch
+from PIL import Image
+import numpy as np
+
+WOUND_TYPES = {
+    "pressure_ulcer": "Úlcera de Pressão",
+    "venous_ulcer": "Úlcera Venosa",
+    "diabetic_ulcer": "Úlcera Diabética",
+    "surgical_wound": "Ferida Cirúrgica",
+    "burn": "Queimadura",
+    "healthy_skin": "Pele Saudável"
+}
+
+def load_models():
+    # Carregando modelos específicos para feridas
+    wound_classifier = pipeline(
+        "image-classification",
+        model="stevhliu/wound-classification",  # Modelo específico para classificação de feridas
+        device=0 if torch.cuda.is_available() else -1
+    )
+    
+    tissue_classifier = pipeline(
+        "image-classification",
+        model="viktorcikojevic/wound-tissue-type",  # Modelo para classificação do tipo de tecido
+        device=0 if torch.cuda.is_available() else -1
+    )
+    
+    return wound_classifier, tissue_classifier
+
+def preprocess_image(image):
+    # Normalização e pré-processamento da imagem
+    if isinstance(image, np.ndarray):
+        image = Image.fromarray(image)
+    image = image.convert('RGB')
+    return image
+
+def classify_wound(image):
+    if image is None:
+        return None, None
+    
+    wound_classifier, tissue_classifier = load_models()
+    processed_image = preprocess_image(image)
+    
+    # Classificação do tipo de ferida
+    wound_results = wound_classifier(processed_image)
+    
+    # Classificação do tipo de tecido
+    tissue_results = tissue_classifier(processed_image)
+    
+    # Formatando resultados da classificação de feridas
+    wound_formatted = []
+    for result in wound_results:
+        label = WOUND_TYPES.get(result['label'], result['label'])
+        score = result['score']
+        wound_formatted.append((label, score))
+    
+    # Formatando resultados da classificação de tecidos
+    tissue_formatted = []
+    for result in tissue_results:
+        label = result['label'].replace('_', ' ').title()
+        score = result['score']
+        tissue_formatted.append((label, score))
+    
+    return wound_formatted, tissue_formatted
+
+# Criando a interface do Gradio
+with gr.Blocks(theme=gr.themes.Soft()) as demo:
+    gr.Markdown("""
+    # 🏥 Classificador Especializado de Feridas
+    
+    Sistema de classificação utilizando modelos especializados para análise de feridas e tecidos.
+    """)
+    
+    with gr.Row():
+        with gr.Column():
+            input_image = gr.Image(
+                label="Upload da Imagem",
+                type="pil",
+                tool="select"
+            )
+            submit_btn = gr.Button("Analisar Ferida", variant="primary", size="lg")
+        
+        with gr.Column():
+            wound_output = gr.Label(
+                label="Tipo de Ferida",
+                num_top_classes=3
+            )
+            tissue_output = gr.Label(
+                label="Tipo de Tecido",
+                num_top_classes=3
+            )
+    
+    with gr.Row():
+        with gr.Accordion("Informações Importantes", open=False):
+            gr.Markdown("""
+            ### Tipos de Feridas Detectáveis:
+            - Úlcera de Pressão
+            - Úlcera Venosa
+            - Úlcera Diabética
+            - Ferida Cirúrgica
+            - Queimadura
+            
+            ### Tipos de Tecidos Analisados:
+            - Tecido de Granulação
+            - Tecido Necrótico
+            - Tecido Fibrinoso
+            - Tecido Epitelial
+            
+            ### Recomendações para Melhores Resultados:
+            1. Use imagens bem iluminadas
+            2. Capture a imagem em um ângulo perpendicular à ferida
+            3. Mantenha um fundo neutro e limpo
+            4. Evite sombras ou reflexos excessivos
+            """)
+    
+    # Configurando eventos
+    submit_btn.click(
+        fn=classify_wound,
+        inputs=input_image,
+        outputs=[wound_output, tissue_output]
+    )
+    
+    # Exemplos
+    gr.Examples(
+        examples=[
+            ["exemplo_pressure_ulcer.jpg"],
+            ["exemplo_diabetic_wound.jpg"],
+        ],
+        inputs=input_image,
+        outputs=[wound_output, tissue_output],
+        cache_examples=True
+    )
+
+if __name__ == "__main__":
+    demo.launch(share=True)