import gradio as gr
import tensorflow as tf
import numpy as np
from PIL import Image

# Cargar el modelo
modelo = tf.keras.models.load_model('/content/drive/MyDrive/modelo_deteccion_cancer.keras')

# Función para preparar la imagen antes de pasarla al modelo
def preparar_imagen(ruta_imagen, tamaño=(224, 224)):
    img = Image.open(ruta_imagen)
    img = img.resize(tamaño)
    img_array = np.array(img)
    img_array = img_array / 255.0
    img_array = np.expand_dims(img_array, axis=0)  # Forma: (1, 224, 224, 3)
    return img_array

# 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 la imagen y el resultado de la predicción
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()