Create app.py

app.py

@@ -0,0 +1,38 @@
+import gradio as gr
+import tensorflow as tf
+from preprocesamiento import preparar_imagen
+
+# Cargar el modelo
+modelo = tf.keras.models.load_model('modelo_deteccion_cancer.keras')
+
+# Función para predecir la clase de la imagen
+def predecir_imagen(ruta_imagen):
+    img_array = preparar_imagen(ruta_imagen)
+    predicciones = modelo.predict(img_array)
+    clase_predicha = np.argmax(predicciones, axis=1)[0]
+    probabilidad = np.max(predicciones)
+    return clase_predicha, probabilidad
+
+# Función para mostrar el resultado
+def mostrar_resultado(ruta_imagen):
+    clase_predicha, probabilidad = predecir_imagen(ruta_imagen)
+    clases = {
+        0: "Sin cáncer",
+        1: "Melanoma (MEL)",
+        2: "Carcinoma basocelular (BCC)",
+        3: "Lesión precancerosa (AKIEC)"
+    }
+    nombre_clase = clases.get(clase_predicha, "Desconocido")
+    return f"Predicción: {nombre_clase}\nProbabilidad: {probabilidad:.2f}"
+
+# Crear la interfaz de Gradio
+iface = gr.Interface(
+    fn=mostrar_resultado, 
+    inputs=gr.Image(type="filepath"), 
+    outputs=gr.Textbox(label="Resultado"),
+    title="Detección de Cáncer de Piel",
+    description="Sube una imagen de una lesión de piel para clasificarla."
+)
+
+# Lanzar la interfaz
+iface.launch()