Update app.py

app.py

@@ -3,29 +3,55 @@ import gradio as gr
 # Carregar o modelo
 model = gr.Interface.load("models/Devarshi/Brain_Tumor_Detector_swin")
 
-# Adicionar metadados ao modelo para fornecer informações
-model.add_metadata(
-    name="Detector de Tumor Cerebral Devarshi-swin",
-    description="Este modelo é uma versão refinada do microsoft/swin-base-patch4-window7-224-in22k treinado para detecção de tumores cerebrais.",
-    license="Informativo",
-    version="1.0",
-    author="Devarshi",
-    accuracy="Precisão: 99.81%",
-    f1_score="F1 Score: 99.85%",
-    recall="Recall: 99.90%",
-    precision="Precisão: 99.80%",
-    training_info="Hiperparâmetros de Treinamento:\n"
-                  "Taxa de aprendizado: 5e-05\n"
-                  "Tamanho do lote de treinamento: 32\n"
-                  "Tamanho do lote de avaliação: 32\n"
-                  "Semente: 42\n"
-                  "Acumulação de gradientes: 4\n"
-                  "Tamanho total do lote de treinamento: 128\n"
-                  "Otimizador: Adam com betas=(0.9, 0.999) e epsilon=1e-08\n"
-                  "Tipo de programador de taxa de aprendizado: linear\n"
-                  "Proporção de aquecimento do programador de taxa de aprendizado: 0.1\n"
-                  "Número de épocas: 3"
-)
+# Definir metadados
+metadata = {
+    "name": "Detector de Tumor Cerebral Devarshi-swin",
+    "description": "Este modelo é uma versão refinada do microsoft/swin-base-patch4-window7-224-in22k treinado para detecção de tumores cerebrais.",
+    "license": "Informativo",
+    "version": "1.0",
+    "author": "Devarshi",
+    "performance_metrics": {
+        "accuracy": "Precisão: 99.81%",
+        "f1_score": "F1 Score: 99.85%",
+        "recall": "Recall: 99.90%",
+        "precision": "Precisão: 99.80%",
+    },
+    "training_info": {
+        "hyperparameters": {
+            "learning_rate": "5e-05",
+            "batch_size": "32",
+            "evaluation_batch_size": "32",
+            "seed": "42",
+            "gradient_accumulation_steps": "4",
+            "total_train_batch_size": "128",
+            "optimizer": "Adam (betas=(0.9, 0.999), epsilon=1e-08)",
+            "learning_rate_scheduler_type": "linear",
+            "warmup_ratio": "0.1",
+            "num_epochs": "3",
+        }
+    }
+}
 
-# Lançar a interface Gradio com metadados
+# Definir a função que exibirá as informações
+def display_info():
+    return gr.Column([
+        gr.Text(metadata["name"]),
+        gr.Text(metadata["description"]),
+        gr.Text(metadata["license"]),
+        gr.Text(metadata["version"]),
+        gr.Text(metadata["author"]),
+        gr.Text(metadata["performance_metrics"]["accuracy"]),
+        gr.Text(metadata["performance_metrics"]["f1_score"]),
+        gr.Text(metadata["performance_metrics"]["recall"]),
+        gr.Text(metadata["performance_metrics"]["precision"]),
+        gr.Text("Informações de Treinamento:"),
+        gr.Text(f"Taxa de Aprendizado: {metadata['training_info']['hyperparameters']['learning_rate']}"),
+        gr.Text(f"Tamanho do Lote de Treinamento: {metadata['training_info']['hyperparameters']['batch_size']}"),
+        # Adicione mais informações de treinamento aqui conforme necessário
+    ])
+
+# Adicione a função à interface
+model.interface.layout("vertical").extra(display_info)
+
+# Lançar a interface Gradio
 model.launch()