Update app.py

app.py

@@ -2,6 +2,7 @@ import gradio as gr
 from fastai.vision.all import *
 import skimage
 
+# parámetros para el recorte
 x,y = 280,70
 ancho,alto = 1024,715
 box = (x,y,ancho,alto)
@@ -12,14 +13,15 @@ labels = learn.dls.vocab
 def predict(img):
     
     img = PILImage.create(img)
-    #recortamos la parte de la imagen que nos interesa
-    #img = img[y:alto,x:ancho]
-    
+    #recortamos la parte de la imagen que nos interesa    
     img =img.crop(box)
     
     pred,pred_idx,probs = learn.predict(img)
     prediccion = {labels[i]: float(probs[i]) for i in range(len(labels))}
-    return prediccion,img
+    # si queremos mostrar la imagen recortada haremos esto
+    #return prediccion,img
+    # si no, mostramos solo la predicción con su probabilidad
+    return prediccion
 
 title = "Operado o no operado"
 
@@ -29,13 +31,15 @@ description = """
     Academia de Nuevas Tecnologías en Sevilla
     
     Clasificador de topografías
-    A partir de una topografía muestra la probabilidad de que el ojo haya sido sometido a cirugía refractiva o no.
+    A partir de una topografía de Oculus Pentacam muestra la probabilidad de que el ojo haya sido sometido a cirugía refractiva o no.
     """
 interpretation='default'
 enable_queue=True
 
-#gr.Interface(fn=predict,inputs=gr.inputs.Image(shape=(744, 645)),outputs=gr.outputs.Label(num_top_classes=2),title=title,description=description,interpretation=interpretation,enable_queue=enable_queue).launch()
+# como entrada usamos una topografía generada por Oculus Pentacam
 entrada = gr.Image(shape=(1024, 715))
-salida = [gr.Label(num_top_classes=2),gr.Image(type='pil')]
+# si queremos mostrar la imagen recortada colocamos un componente adicional
+#salida = [gr.Label(num_top_classes=2),gr.Image(type='pil')]
+salida = gr.Label(num_top_classes=2)
 
 gr.Interface(fn=predict,inputs=entrada,outputs=salida,title=title,description=description,interpretation=interpretation,enable_queue=enable_queue).launch()