Upload 4 files

app.py

@@ -0,0 +1,53 @@
+import streamlit as st
+import numpy as np
+from keras.models import load_model
+from keras.preprocessing import image
+from PIL import Image
+
+# Título da aplicação
+st.title("Reconhecimento de LIBRAS")
+
+# Carregue o modelo treinado
+@st.cache_resource  # Cache para carregar o modelo apenas uma vez
+def load_custom_model():
+    return load_model('libras_model_v2.keras')
+
+model = load_custom_model()
+
+# Carregue as labels
+@st.cache_data  # Cache para carregar as labels apenas uma vez
+def load_labels():
+    return np.load('labels.npy', allow_pickle=True)
+
+labels = load_labels()
+
+# Função para fazer a predição em uma única imagem
+def predict_image(img):
+    # Redimensione a imagem para o tamanho esperado pelo modelo (50x50)
+    img = img.resize((50, 50))
+    img_array = image.img_to_array(img) / 255.0
+    img_array = np.expand_dims(img_array, axis=0)
+
+    # Faça a predição
+    preds = model.predict(img_array)
+    pred_label = labels[np.argmax(preds)]
+    confidence = np.max(preds) * 100  # Confiança da predição em porcentagem
+
+    return pred_label, confidence
+
+# Upload da imagem
+uploaded_file = st.file_uploader("Escolha uma imagem...", type=["jpg", "jpeg", "png"])
+
+if uploaded_file is not None:
+    # Carregue a imagem
+    img = Image.open(uploaded_file)
+
+    # Exiba a imagem
+    st.image(img, caption='Imagem carregada', use_column_width=True)
+
+    # Faça a predição
+    pred_label, confidence = predict_image(img)
+
+    # Exiba o resultado
+    st.success(f"Predição: **{pred_label}**")
+    st.info(f"Confiança: **{confidence:.2f}%**")

labels.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:bb1e85ec565318d45ca17faa34f1aa4553907608604581a4eff17addee922250
+size 212

requirements.txt

@@ -0,0 +1,8 @@
+numpy
+tensorflow
+keras
+matplotlib
+scikit-learn
+opencv-python
+Pillow
+streamlit