add application file

.gitignore

@@ -0,0 +1,5 @@
+*.save
+*.pickle
+data
+venv
+input.png

app.py

@@ -0,0 +1,122 @@
+import glob
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn import svm
+import zipfile
+from PIL import Image
+from sklearn.decomposition import PCA
+from PIL import Image
+import numpy as np
+from sklearn.preprocessing import StandardScaler
+from sklearn.svm import OneClassSVM
+import numpy as np
+import skimage
+from skimage.feature import hog
+from skimage.color import rgb2gray
+from skimage import io
+from sklearn.decomposition import PCA
+from sklearn.svm import OneClassSVM
+from sklearn.preprocessing import StandardScaler
+import os
+from tqdm import tqdm
+import pickle
+import joblib
+
+def extract_hog_features(image_path):
+    """
+    画像ファイルからHOG特徴量を抽出します。
+    
+    :param image_path: 画像ファイルのパス
+    :return: HOG特徴量のNumPy配列
+    """
+    # 画像を読み込む
+    img = io.imread(image_path)
+    img = img[:,:,:3]
+    
+    # 画像をグレースケールに変換
+    gray_img = rgb2gray(img)
+    
+    # HOG特徴量を抽出
+    features, _ = hog(gray_img, visualize=True, block_norm='L2-Hys')
+    
+    return features
+
+def prepare_features(image_paths):
+    """
+    複数の画像からHOG特徴量を抽出し、特徴量の行列を作成します。
+    
+    :param image_paths: 画像ファイルのパスのリスト
+    :return: 特徴量のNumPy配列
+    """
+    features = []
+    for path in tqdm(image_paths):
+        features.append(extract_hog_features(path))
+    
+    return np.array(features)
+
+
+import streamlit as st
+with st.sidebar:
+    st.image("logo.png")
+    file_uploaded = st.file_uploader("Upload", type=["zip"])
+    if file_uploaded is not None:
+        if file_uploaded.type == "application/zip":
+            with zipfile.ZipFile(file_uploaded, "r") as z:            
+                z.extractall("./data/")
+
+    test_img_path = st.file_uploader("Test image", type=["png","JPG"])
+    if test_img_path is not None:   
+       test_img = Image.open(test_img_path)
+       test_img.resize((320,240)).save("input.png")
+
+st.write("サイドバーより学習データをZipファイルとしてアップロードしボタンをクリック.")
+if st.button("訓練開始"):
+    with st.spinner("1分ほどお待ちください..."):
+        image_paths = glob.glob("data/*/*.JPG")
+        col1, col2, col3 = st.columns(3)  # 2列のコンテナを用意する
+        with col1:
+            st.image(image_paths[0])
+        with col2:
+            st.image(image_paths[1])
+        with col3:
+            st.image(image_paths[2])
+        features = prepare_features(image_paths)
+        print(features.shape)
+        scaler = StandardScaler()
+        features_scaled = scaler.fit_transform(features)
+        joblib.dump(scaler,"scaler.save")
+        print(features_scaled)
+
+        pca = PCA(n_components=4)
+        z_train = pca.fit_transform(features_scaled)
+        joblib.dump(pca,"pca.save")
+        print(z_train)
+        clf = svm.OneClassSVM(nu=0.2, kernel="rbf", gamma=0.001)
+        clf.fit(z_train)
+        with open('model.pickle', mode='wb') as fp:
+            pickle.dump(clf, fp)
+        st.info("学習が完了しました。テスト画像を入力してください。")
+
+st.write("サイドバーよりテストデータを画像ファイルとしてアップロードしボタンをクリック.")
+if st.button("推論開始"):
+    with open('model.pickle', mode='rb') as fp:
+        clf = pickle.load(fp)
+
+    features_test = prepare_features(["input.png"])
+    scaler = joblib.load("scaler.save")
+    features_scaled_test = scaler.transform(features_test)
+    pca = joblib.load("pca.save")
+    z_test = pca.transform(features_scaled_test)
+    pred = clf.predict(z_test)
+    print(pred)
+
+    st.image(test_img)
+    if pred[0] == 1:
+        st.info("入力画像は「正常」です。")
+    else:
+        st.info("入力画像は「異常」である可能性があります。")
+
+     
+
+    
+	

requirements.txt

@@ -0,0 +1,5 @@
+streamlit
+scikit-learn
+scikit-image
+matplotlib
+tqdm