Conectando GitHub e Streamlit
Através da união de ferramentas como GitHub e Streamlit é possível criar um aplicativo que fique na nuvem, sem que precise gerar um link toda vez, de forma muito simples e prática.
01.Criando uma conta no Streamlit
Para criar uma conta no Streamlit basta seguir o paasso a passo:
01.Clicar neste link: https://share.streamlit.io/signup
02.Clicar em “Continue with GitHub”
03.Clicar em Authrorize Streamlit
04.Escolha o plano Community
05.Insira seus dados pessoais e clique em Continue
06.Pronto! Você já pode lançar seus aplicativos agora
02.Criando um aplicativo de classificação com Streamlit no GitHub
02.a.Criando o repositório no GitHub
Antes de fazermos o deploy (subir para nuvem) do aplicativo vamos primeiro criá-lo no GitHub.
Para isso siga o passo a passo abaixo:
1.Entre na sua conta do GitHub e vá em Repositories e clique em New
2.Coloque o nome desejado do repositório e deixe selecionado como Public (caso contrário não é possível realizar o deploy), adicione um README file se desejado e clique em Create repository
Pronto, seu repositório está criado.
02.b.Criando o arquivo requirements.txt
Este arquivo chamado requirements.txt é o arquivo onde vamos colocar todas as bibliotecas que iremos utilizar em nosso código
Que em nosso caso são:
1numpy
2pillow
3tensorflow
4keras
5streamlit
Para isso dentro de seu repositório clique em Add file e depois em Create new file
Insira o nome requirements.txt , coloque as bibliotecas desejadas e depois clique em Commit new file
Pronto, seu arquivo requimerents.txt já está criado com todas as bibliotecas necessárias.
02.c.Fazendo upload do modelo de classificação de imagem
Em nosso exemplo estamos desenvolvendo um aplicativo de classificação de imagem, para isso iremos usar o keras_model.h5 e o labels treinado no Teachable Machine
Para realizar o upload desses arquivos vá em seu repositório do streamlit, clique me Add file e depois em Upload files
Selecione o arquivo keras_model.h5 e o labels e arraste para a área de Drag files here to add them to your repository
Espere o upload dos arquivos e depois selecione Commit changes
Pronto, agora já temos em nosso repositório o modelo treinado.
02.d.Criar o arquivo para classificar imagens
Para criarmos o arquivo classificador de imagens clique em Add file e depois em Create new file
Insira o nome arquivo_classificador_de_imagem.py e coloque o código abaixo:
1import tensorflow
2from keras.models import load_model
3from PIL import Image, ImageOps
4import numpy as np
5
6def funcao_classificar_imagem(img, keras_model):
7
8 # Disable scientific notation for clarity
9 np.set_printoptions(suppress=True)
10
11 # Load the model
12 model = load_model('keras_model.h5')
13
14 # Create the array of the right shape to feed into the keras model
15 # The 'length' or number of images you can put into the array is
16 # determined by the first position in the shape tuple, in this case 1.
17 data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
18
19 # Replace this with the path to your image
20 image = img
21
22 #resize the image to a 224x224 with the same strategy as in TM2:
23 #resizing the image to be at least 224x224 and then cropping from the center
24 size = (224, 224)
25 image = ImageOps.fit(image, size, Image.ANTIALIAS)
26
27 #turn the image into a numpy array
28 image_array = np.asarray(image)
29
30 # display the resized image
31 image.show()
32
33 # Normalize the image
34 normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
35
36 # Load the image into the array
37 data[0] = normalized_image_array
38
39 # run the inference
40 prediction = model.predict(data)
41 print(prediction)
42
43 return np.argmax(prediction)
Depois de inserir o código no arquivo clique Commit new file
Pronto, com isso já temos o arquivo necessário para classificar nossas imagens.
02.e.Criar o arquivo para o aplicativo
Este é o arquivo que de fato o Streamlit irá ler e rodar as funções, será o nosso front-end responsável pela aparência e ferramentas disponíveis para o usuário final.
Até agora estávamos preparando o back-end responsável por dar toda a estrura que precisávamos para rodar nosso aplicativo.
Para criarmos o arquivo para o aplicativo clique em Add file e depois em Create new file
Insira o nome arquivo_aplicativo_de_classificacao.py e coloque o código abaixo:
1from arquivo_classificador_de_imagem import funcao_classificar_imagem
2import streamlit as st
3from PIL import Image
4
5# Criar os elementos que compõe o aplicativo.
6# TÍTULO DO SITE.
7st.title("Classificador de milho.")
8
9# BOTÃO PARA FAZER UPLOAD DA IMAGEM A SER CLASSIFICADA.
10uploaded_file = st.file_uploader("Escolha um arquivo", type="jpg")
11
12# CLASSIFICAÇÃO DA IMAGEM.
13if uploaded_file is not None:
14
15 # ABRIR A IMAGEM CARREGADA.
16 image = Image.open(uploaded_file)
17
18 # MOSTRAR A IMAGEM.
19 st.image(image, caption='', use_column_width=True)
20
21 # TEXTO INDICANDO QUE A IMAGEM ESTÁ SENDO CLASSIFICADA.
22 st.write("Classificando...")
23
24 # CHAMAR A FUNÇÃO DE CLASSIFICAÇÃO DE IMAGEM
25 # E ARMAZENAR O RESULTADO NA VARIÁVEL LABEL.
26 label = funcao_classificar_imagem(image, 'keras_model.h5')
27
28 # CONDICIONAL PARA IDENTIFICAR A CLASSE DA IMAGEM.
29 if label == 1:
30
31 # INSIRA O NOME DA PRIMEIRA CLASSE.
32 st.write("Milho bom.")
33
34 else:
35
36 # INSIRA O NOME DA SEGUNDA CLASSE.
37 st.write("Milho ruim.")
Warning
Não esqueça de realizar as alterações necessárias como o título do aplicativo, nome das classes, etc.
Depois de inserir o código no arquivo e realizar as alterações desejadas clique Commit new file
Pronto, com isso já temos o arquivo necessário para rodar o aplicativo.
03.Fazendo deploy do app no Streamlit
Agora que já temos todo nosso repositório criado no GitHub iremos fazer o deploy do aplicativo via Streamlit.
Para isso:
01.Vá em sua conta do Streamlit clique em New app
02.Clique me Authorize streamlit
03.Na parte de Repository selecione o repositório do seu aplicativo
04.Em Branch selecione qual versão deseja, em nosso caso main
05.Em Main file path selecione onde está o arquivo que o streamlit irá ler, o nosso front-end, em nosso caso é o arquivo_aplicativo_de_classificacao.py
06.Clique em Deploy!
07.Espere enquanto seu aplicativo “está no forno” (pode levar alguns minutos)
Pronto!! Seu aplicativo já está pronto e inclusive este link é compartilhavel e não cai, funciona 24/7!
https://share.streamlit.io/orbeai/streamlit_teachable/main/arquivo_aplicativo_de_classificacao.py
