Update app.py

app.py

@@ -40,20 +40,24 @@ def classify_image(input_image):
     output_image = (input_image[0] * 255).astype('uint8')
     output_image_with_box = output_image.copy()
 
-    # Desenhe uma caixa de identificação de objeto no output_image_with_box (centralizada)
+    # Desenhe uma caixa de identificação de objeto no output_image_with_box (centralizada e maior)
     if predicted_class == "Cataract":  # Adicione sua lógica para desenhar a caixa com base na classe
         image_height, image_width, _ = output_image.shape
-        box_size = min(image_height, image_width) // 3
+        box_size = min(image_height, image_width) // 2
         x1 = (image_width - box_size) // 2
         y1 = (image_height - box_size) // 2
         x2 = x1 + box_size
         y2 = y1 + box_size
         cv2.rectangle(output_image_with_box, (x1, y1), (x2, y2), (0, 255, 0), 2)  # Caixa verde
 
-    # Escreva o rótulo de previsão no output_image_with_box (com a cor da caixa)
+    # Escreva o rótulo de previsão no output_image_with_box (com a cor da caixa e estatísticas)
     font = cv2.FONT_HERSHEY_SIMPLEX
     cv2.putText(output_image_with_box, f"Predicted Class: {predicted_class}", (10, 20), font, 0.5, (0, 255, 0), 2)  # Cor verde
 
+    # Adicione estatísticas (substitua com suas próprias estatísticas)
+    stats = f"Accuracy: {prediction[0][class_index]:.2f}, Confidence: {prediction[0].max():.2f}"
+    cv2.putText(output_image_with_box, stats, (10, 40), font, 0.5, (0, 255, 0), 2)
+
     return output_image_with_box
 
 # Crie uma interface Gradio