arturevs's picture
update
5653677
Raw History Blame Contribute Delete
2.87 kB
import streamlit as st
import joblib
import torch
import torch.nn as nn
from torchvision.models import resnet18
from PIL import Image
import torchvision.transforms as transforms
from huggingface_hub import hf_hub_download
# Função para carregar o modelo e o LabelEncoder do Hugging Face
@st.cache_resource
def load_model():
# Baixar o modelo e o LabelEncoder do Hugging Face
model_path = hf_hub_download(repo_id="arturevs/90AnimalClassifier", filename="mlp_classifier.joblib")
label_encoder_path = hf_hub_download(repo_id="arturevs/90AnimalClassifier", filename="label_encoder.joblib")
# Carregar o modelo e o LabelEncoder
model = joblib.load(model_path)
label_encoder = joblib.load(label_encoder_path)
return model, label_encoder
# Função para carregar a CNN (ResNet18) para extração de características
@st.cache_resource
def load_cnn():
# Carregar a ResNet18 pré-treinada e remover a última camada
cnn_model = resnet18(pretrained=True)
cnn_model = nn.Sequential(*list(cnn_model.children())[:-1]) # Remove a última camada
cnn_model.eval() # Colocar o modelo em modo de avaliação
return cnn_model
# Função para pré-processar a imagem e extrair características
def extract_features(image, cnn_model):
# Converter a imagem para RGB (remover canal alfa se existir)
image = image.convert("RGB")
transform = transforms.Compose([
transforms.Resize((256, 256)),
transforms.ToTensor(),
transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # Normalização para a ResNet18
])
image = transform(image).unsqueeze(0) # Adicionar dimensão do batch
with torch.no_grad(): # Desativar cálculo de gradientes
features = cnn_model(image) # Extrair características
return features.flatten().numpy().reshape(1, -1) # Achatar e converter para numpy array
# Interface da aplicação
st.title("Classificador de Animais")
st.write("Envie uma imagem de um animal (gato, cachorro ou pássaro) para classificação.")
# Carregar o modelo, o LabelEncoder e a CNN
model, label_encoder = load_model()
cnn_model = load_cnn()
# Upload da imagem
uploaded_file = st.file_uploader("Escolha uma imagem...", type=["jpg", "jpeg", "png"])
if uploaded_file is not None:
try:
image = Image.open(uploaded_file)
st.image(image, caption="Imagem enviada", use_column_width=True)
# Extrair características da imagem usando a CNN
image_features = extract_features(image, cnn_model)
# Fazer a previsão
prediction = model.predict(image_features)
predicted_class = label_encoder.inverse_transform(prediction)[0]
# Exibir o resultado
st.write(f"Classificação: **{predicted_class}**")
except Exception as e:
st.error(f"Erro ao processar a imagem: {e}")