Update app.py

app.py

@@ -1,6 +1,7 @@
 import gradio as gr
 from transformers import ViTFeatureExtractor, ViTForImageClassification
 import numpy as np
+import datetime
 
 # Mapeamento de classe ID para rótulo
 id2label = {
@@ -29,15 +30,27 @@ def classify_image(input_image):
     predicted_class_id = np.argmax(outputs.logits[0])
     # Obter o rótulo da classe a partir do mapeamento id2label
     predicted_class_label = id2label.get(str(predicted_class_id), "Desconhecido")
-    return predicted_class_label
+    
+    # Obter a data e hora atual
+    current_time = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+    
+    # Formatar a saída em HTML com rótulo da classe e data/hora
+    result_html = f"""
+    <h2>Resultado da Classificação</h2>
+    <p><strong>Rótulo da Classe:</strong> {predicted_class_label}</p>
+    <p><strong>Data e Hora:</strong> {current_time}</p>
+    """
+    
+    # Retornar o resultado formatado em HTML
+    return result_html
 
-# Criar uma interface Gradio com informações de diagnóstico
+# Criar uma interface Gradio com informações de diagnóstico e HTML
 interface = gr.Interface(
     fn=classify_image,
     inputs=gr.inputs.Image(type="numpy", label="Carregar uma imagem"),
-    outputs=gr.outputs.Label(num_top_classes=1),
+    outputs=gr.outputs.HTML(),
     title="Classificador de Imagem ViT para Colonoscopia",
-    description="Esta aplicação Gradio permite classificar imagens colonoscópicas usando um modelo Vision Transformer (ViT). O modelo identificará a condição ou diagnóstico da imagem, como 'polyps', 'esophagitis', etc.",
+    description="Esta aplicação Gradio permite classificar imagens colonoscópicas usando um modelo Vision Transformer (ViT). O modelo identificará a condição ou diagnóstico da imagem, como 'polyps', 'esophagitis', etc., e exibirá o rótulo da classe junto com a data e a hora.",
 )
 
 # Iniciar a aplicação Gradio