Update app.py

app.py

@@ -20,153 +20,104 @@ Este Notebook se acelera opcionalmente con un entorno de ejecución de GPU
 import os
 import re
 import json
-import numpy as np
 import pandas as pd
 import gradio as gr
 import torch
 from PIL import Image
-from ultralytics import YOLO
-#from ultralyticsplus import render_result
 
 # Images
 torch.hub.download_url_to_file('https://huggingface.co/spaces/Municipalidad-de-Vicente-Lopez/Trampas_Barcelo/resolve/main/2024-03-11T10-50-27.jpg', 'ejemplo1.jpg')
 torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee05624d5477ffcf2d34ca77b47d1.jpg', 'ejemplo2.jpg')
 
-# Model
-class YOLODetect():
-    def __init__(self, modelo):
-        self.modelo = modelo
+# model = torch.hub.load('ultralytics/yolov9', 'custom', path='best.pt', force_reload=True, autoshape=True, trust_repo=True)
+model = torch.hub.load('yolov9', 'custom', path='best.pt', source='local', force_reload=True, autoshape=True)  # load on CPU
 
-    def predecir(self, url):
-        # conf	float	0.25	umbral de confianza del objeto para la detección
-        # iou	float	0.7	umbral de intersección sobre unión (IoU) para NMS
-        self.source = url
-        self.results = self.modelo.predict(source=self.source, save=True, imgsz=640, conf=0.5, iou=0.40)
-        return self.results
 
-    def show(self):
-        results = self.results[0]
-        render = None #render_result(model=self.modelo, image=self.source, result=self.results[0])
-        render = Image.open(f"runs/detect/predict/{results.path}")
-        return render
+#HF_TOKEN = os.getenv("ZIKA_TOKEN_WRITE")
+#hf_writer = gr.HuggingFaceDatasetSaver(HF_TOKEN, "demo-iazika-flags")
 
-    def to_json(self):
-        results = self.results[0]
-        img_size = results.orig_shape
-        img_name = results.path
-        array_numpy = results.boxes.cls.cpu().numpy().astype(np.int32)
-        
-        # Definir las clases y sus nombres correspondientes
-        clases = {
-            0: "Aedes",
-            1: "Mosquitos",
-            2: "Moscas"
-        }
-
-        # Contabilizar las clases
-        conteo_clases = np.bincount(array_numpy)
-
-        self.json_result = [{'Especie': clases[i], 'Cantidad': str(conteo_clases[i]) if i < len(conteo_clases) else str(0)} for i in range(len(clases))]
-        # Crear un diccionario con los elementos necesarios
-        result_dict = {
-            "image": str(img_name),
-            "size": str(img_size),
-            "detail": self.json_result
-        }
-        
-        # Convertir el diccionario a una cadena JSON
-        result_dict = json.dumps(result_dict)
-        #print(f"{type(self.json_result)} - {self.json_result}")
-
-        # Convertir la cadena JSON a un objeto Python (diccionario)
-        result_dict = json.loads(result_dict)
-        #print(f"{type(self.json_result)} - {self.json_result}")
-
-        return result_dict
-
-    def to_dataframe(self):
-        return pd.DataFrame(self.json_result)
-
-modelo_yolo = YOLO('best.pt')
+def getQuantity(string): 
+    contador_raw = ''.join(string.split(" ")[3:])
+    
+    resultado_especie_1 = 'Aedes'
+    resultado_especie_2 = 'Mosquito'
+    resultado_especie_3 = 'Mosca'
+    resultado_cantidad_1 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_1, contador_raw))))
+    resultado_cantidad_2 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_2, contador_raw))))
+    resultado_cantidad_3 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_3, contador_raw))))
+    resultado_cantidad_1 = resultado_cantidad_1 if len(resultado_cantidad_1) > 0 else "0"
+    resultado_cantidad_2 = resultado_cantidad_2 if len(resultado_cantidad_2) > 0 else "0"
+    resultado_cantidad_3 = resultado_cantidad_3 if len(resultado_cantidad_3) > 0 else "0"
+    
+    resultado_lista = [[resultado_cantidad_1,resultado_especie_1],
+                       [resultado_cantidad_2,resultado_especie_2],
+                       [resultado_cantidad_3,resultado_especie_3]]
+    
+    return resultado_lista
+
+def listJSON(resultado):
+    resultado_lista = getQuantity(resultado)
+    img_name = " ".join(resultado.split(" ")[0:2])
+    img_size = "".join(resultado.split(" ")[2])
+    strlista = ""
+    for resultado_lista, description in resultado_lista:
+        strlista += '{"quantity":"'+resultado_lista+'","description":"'+description+'"},'
+    strlista = strlista[:-1]
+    str_resultado_lista = '{"image":"'+str(img_name)+'","size":"'+str(img_size)+'","detail":['+strlista+']}'
+    json_string = json.loads(str_resultado_lista)
+    return json_string
+    
+def arrayLista(resultado):
+    resultado_lista = getQuantity(resultado)
+    df = pd.DataFrame(resultado_lista,columns=['Cantidad','Especie'])
+    return df
 
 def yolo(size, iou, conf, im):
     '''Wrapper fn for gradio'''
     g = (int(size) / max(im.size))  # gain
     im = im.resize((int(x * g) for x in im.size), Image.LANCZOS) # resize with antialiasing
 
-
-    # model.iou = iou
+    model.iou = iou
     
-    # model.conf = conf
-
+    model.conf = conf
+    
+    results2 = model(im)  # inference
    
-    # results2 = model(im)  # inference
-    # #print(type(results2))
-    print(type(im))
-
-    source = im#Image.open(im)
-    model = YOLODetect(modelo_yolo)
-    results = model.predecir(source)
+    results2.render()  # updates results.imgs with boxes and labels
 
-    result_json = model.to_json()
-    print(result_json)
-    result_df = model.to_dataframe()
-    print(result_df)
-    result_img = model.show()
-    
-    #result_img, result_df, result_json = source, None, None
-    return result_img, result_df, result_json
+    results_detail = str(results2)
+    lista = listJSON(results_detail)
+    lista2 = arrayLista(results_detail)
+    return Image.fromarray(results2.ims[0]), lista2, lista
     
 #------------ Interface-------------
 
+in1 = gr.inputs.Radio(['640', '1280'], label="Tamaño de la imagen", default='640', type='value')
+in2 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.25, label='NMS IoU threshold')
+in3 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.50, label='Umbral o  threshold')
+in4 = gr.inputs.Image(type='pil', label="Original Image")
 
-
-#in1 = gr.inputs.Radio(['640', '1280'], label="Tamaño de la imagen", type='value')
-#in2 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, label='NMS IoU threshold')
-#in3 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, label='Umbral o  threshold')
-#in4 = gr.inputs.Image(type='pil', label="Original Image")
-
-#out2 = gr.outputs.Image(type="pil", label="YOLOv5")
-#out3 = gr.outputs.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
-#out4 = gr.outputs.JSON(label="JSON")
-in1 = gr.Radio(['640', '1280'], label="Tamaño de la imagen", type='value')
-in2 = gr.Slider(minimum=0, maximum=1, step=0.05, label='NMS IoU threshold')
-in3 = gr.Slider(minimum=0, maximum=1, step=0.05, label='Umbral o  threshold')
-in4 = gr.Image(type='pil', label="Original Image")
-
-out2 = gr.Image(type="pil", label="YOLOv5")
-out3 = gr.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
-out4 = gr.JSON(label="JSON")
+out2 = gr.outputs.Image(type="pil", label="YOLOv5")
+out3 = gr.outputs.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
+out4 = gr.outputs.JSON(label="JSON")
 #-------------- Text-----
 title = 'Trampas Barceló'
-description = """
-<p>
-<center>
-Sistemas de Desarrollado por Subsecretaría de Modernización del Municipio de Vicente López. Advertencia solo usar fotos provenientes de las trampas Barceló, no de celular o foto de internet.
-<img src="https://www.vicentelopez.gov.ar/assets/images/logo-mvl.png" alt="logo" width="250"/>
-</center>
-</p>
-"""
+description = '<p><center>Sistemas de Desarrollado por Subsecretaría de Modernización del Municipio de Vicente López. Advertencia solo usar fotos provenientes de las trampas Barceló, no de celular o foto de internet.<img src="https://www.vicentelopez.gov.ar/assets/images/logo-mvl.png" alt="logo" width="250"/></center></p>'
+
 article ="<p style='text-align: center'><a href='https://docs.google.com/presentation/d/1T5CdcLSzgRe8cQpoi_sPB4U170551NGOrZNykcJD0xU/edit?usp=sharing' target='_blank'>Para mas info, clik para ir al white paper</a></p><p style='text-align: center'><a href='https://drive.google.com/drive/folders/1owACN3HGIMo4zm2GQ_jf-OhGNeBVRS7l?usp=sharing ' target='_blank'>Google Colab Demo</a></p><p style='text-align: center'><a href='https://github.com/Municipalidad-de-Vicente-Lopez/Trampa_Barcelo' target='_blank'>Repo Github</a></p></center></p>"
           
-examples = [['640',0.45, 0.75,'ejemplo1.jpg'], ['640',0.45, 0.75,'ejemplo2.jpg']]
+examples = [['640',0.25, 0.5,'ejemplo1.jpg'], ['640',0.25, 0.5,'ejemplo2.jpg']]
 
 iface = gr.Interface(yolo, 
                     inputs=[in1, in2, in3, in4], 
-                    outputs=[out2,out3,out4], title=title, 
-					description=description, 
-					article=article, 
-					examples=examples, 
+ 					examples=examples, 
 					analytics_enabled=False, 
 					allow_flagging="manual",
 					flagging_options=["Correcto", "Incorrecto", "Casi correcto", "Error", "Otro"],
 					#flagging_callback=hf_writer
                     )
 					
-#iface.launch(enable_queue=True, debug=True)
-iface.queue()
-iface.launch(debug=True)
-
+iface.launch(enable_queue=True, debug=True)
 """For YOLOv5 PyTorch Hub inference with **PIL**, **OpenCV**, **Numpy** or **PyTorch** inputs please see the full [YOLOv5 PyTorch Hub Tutorial](https://github.com/ultralytics/yolov5/issues/36).
 ## Citation
 [![DOI](https://zenodo.org/badge/264818686.svg)](https://zenodo.org/badge/latestdoi/264818686)