app.py

import gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image

# Carregar o modelo treinado
# O modelo deve estar na mesma pasta que este script
model = tf.keras.models.load_model('meu_modelo.h5')

def predict_image(img):
    # Converter a imagem PIL para um array NumPy
    img = np.array(img)

    # Redimensionar a imagem para o tamanho esperado pelo modelo (224, 224)
    img = tf.image.resize(img, (224, 224))

    # Pré-processamento manual para MobileNetV2:
    # Escalar os valores de pixel para o intervalo [-1, 1]
    img = img / 127.5 - 1

    # Adicionar uma dimensão de batch
    img = np.expand_dims(img, axis=0)

    prediction = model.predict(img)

    # Interpretar o resultado da predição e criar um dicionário para a saída
    if prediction < 0.5:
        result = {"ai": float(1 - prediction[0][0]), "human": float(prediction[0][0])}
    else:
        result = {"human": float(prediction[0][0]), "ai": float(1 - prediction[0][0])}

    return result

# Lista de exemplos
# As imagens de exemplo devem estar na mesma pasta que este script
exemplos = [
    'vangoghai.jpg',
    'vangoghhuman.jpg'
]

# Criar a interface do gradio
image_input = gr.Image()
label_output = gr.Label()

interface = gr.Interface(
    fn=predict_image,
    inputs=image_input,
    outputs=label_output,
    examples=exemplos
)

# Lançar a interface
interface.launch()