| import gradio as gr |
| from transformers import pipeline |
|
|
| |
| clf = pipeline( |
| task="image-classification", |
| model="Anwarkh1/Skin_Cancer-Image_Classification" |
| ) |
|
|
| |
| FA_LABELS = { |
| "actinic_keratoses": "کراتوز آکتینیک (ضایعه پیشسرطانی)", |
| "basal_cell_carcinoma": "سرطان سلول بازال", |
| "benign_keratosis-like_lesions": "کراتوز خوشخیم", |
| "dermatofibroma": "درماتوفیبروما (توده پوستی خوشخیم)", |
| "melanoma": "ملانوما (سرطان پوست)", |
| "nv": "خال معمولی", |
| "vascular_lesions": "ضایعات عروقی", |
| } |
|
|
| def normalize(label: str): |
| return ( |
| label.strip().lower() |
| .replace(" ", "_") |
| ) |
|
|
| def translate_label(label: str): |
| key = normalize(label) |
| return FA_LABELS.get(key, label) |
|
|
| def predict(image): |
| preds = clf(image) |
| out = {} |
| for p in preds: |
| fa_label = translate_label(p["label"]) |
| out[fa_label] = float(p["score"]) |
| return out |
|
|
| demo = gr.Interface( |
| fn=predict, |
| inputs=gr.Image(type="pil", label="تصویر پوست را آپلود کنید"), |
| outputs=gr.Label(num_top_classes=3, label="نتیجه مدل"), |
| title="تشخیص ضایعات پوستی (نسخه آموزشی)", |
| description="این ابزار فقط برای آموزش ساخته شده و تشخیص پزشکی قطعی نیست." |
| ) |
|
|
| if __name__ == "__main__": |
| demo.launch() |
|
|
