Código para YOLOv9

app.py

@@ -20,102 +20,114 @@ 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
 
 # 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/7f/5e/96/7f5e9657c08aae4bcd8bc8b0dcff720e.jpg', 'ejemplo1.jpg')
 torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee05624d5477ffcf2d34ca77b47d1.jpg', 'ejemplo2.jpg')
 
 # Model
-#model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # force_reload=True to update
-
-#model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt')  # local model  o google colab
-#model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True, autoshape=True)  # local model  o google colab
-#model = torch.hub.load('path/to/yolov5', 'custom', path='/content/yolov56.pt', source='local')  # local repo
-model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True, autoshape=True, trust_repo=True)
-
-
-#HF_TOKEN = os.getenv("ZIKA_TOKEN_WRITE")
-#hf_writer = gr.HuggingFaceDatasetSaver(HF_TOKEN, "demo-iazika-flags")
-
-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
+class YOLODetect():
+    def __init__(self, modelo):
+        self.modelo = modelo
+
+    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
+
+    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)
+
+        # Convertir la cadena JSON a un objeto Python (diccionario)
+        result_dict = json.loads(result_dict)
+
+        return result_dict
+
+    def to_dataframe(self):
+        return pd.DataFrame(self.json_result)
+
+modelo_yolo = YOLO('best.pt')
 
 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
 
+    print(type(im))
 
-    model.iou = iou
-    
-    model.conf = conf
+    source = im#Image.open(im)
+    model = YOLODetect(modelo_yolo)
+    results = model.predecir(source)
 
-   
-    results2 = model(im)  # inference
-   
-    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()
     
-    results_detail = str(results2)
-    lista = listJSON(results_detail)
-    lista2 = arrayLista(results_detail)
-    return Image.fromarray(results2.ims[0]), lista2, lista
+    return result_img, result_df, result_json
     
 #------------ Interface-------------
 
+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")
 
-
-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")
-
-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")
+out2 = gr.Image(type="pil", label="YOLOv5")
+out3 = gr.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
+out4 = gr.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',0.25, 0.5,'ejemplo1.jpg'], ['640',0.25, 0.5,'ejemplo2.jpg']]
+examples = [['640',0.45, 0.75,'ejemplo1.jpg'], ['640',0.45, 0.75,'ejemplo2.jpg']]
 
 iface = gr.Interface(yolo, 
                     inputs=[in1, in2, in3, in4], 
@@ -125,11 +137,11 @@ iface = gr.Interface(yolo,
 					examples=examples, 
 					analytics_enabled=False, 
 					allow_flagging="manual",
-					flagging_options=["Correcto", "Incorrecto", "Casi correcto", "Error", "Otro"],
-					#flagging_callback=hf_writer
+					flagging_options=["Correcto", "Incorrecto", "Casi correcto", "Error", "Otro"]
                     )
-					
-iface.launch(enable_queue=True, debug=True)
+
+iface.queue()
+iface.launch(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