Spaces:
Sleeping
Sleeping
File size: 1,476 Bytes
4737ff8 6ede48a dc83d14 6ede48a 1d9b856 6ede48a 1d9b856 d7c68ac 6ede48a d7c68ac 6ede48a 0a76a69 6ede48a d7c68ac 6ede48a 1d9b856 6ede48a 1d9b856 d7c68ac 6ede48a 1d9b856 0a76a69 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
import gradio as gr
from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image, ImageDraw
# Carregar o processador e o modelo
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50")
def detect_people(image):
# Pré-processar a imagem
inputs = processor(images=image, return_tensors="pt")
# Realizar a inferência
outputs = model(**inputs)
# Processar os resultados
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes)[0]
# Desenhar as caixas delimitadoras na imagem
draw = ImageDraw.Draw(image)
num_pessoas = 0
for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
if score > 0.7 and model.config.id2label[label.item()] == "person": # Ajustar o limiar para 0.7
box = box.tolist()
draw.rectangle(box, outline="red", width=3)
num_pessoas += 1
return image, f"Número de pessoas: {num_pessoas}"
# Criar a interface do Gradio
iface = gr.Interface(
fn=detect_people,
inputs=gr.Image(type="pil"),
outputs=[gr.Image(type="pil"), gr.Textbox()],
title="Contador de Pessoas em Imagens",
description="Carregue uma imagem para contar o número de pessoas detectadas nela."
)
# Executar a aplicação
iface.launch()
|