Create app.py

app.py

@@ -0,0 +1,52 @@
+from transformers import DetrImageProcessor, DetrForObjectDetection
+import torch
+from PIL import Image
+import requests
+from huggingface_hub import InferenceClient
+import numpy as np
+import gradio as gr
+
+from transformers import DetrImageProcessor, DetrForObjectDetection
+import torch
+from PIL import Image
+import requests
+import gradio as gr
+from huggingface_hub import InferenceClient
+
+# Define una función que toma una imagen como entrada y obtiene el resultado
+def detect_objects(image):
+    processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
+    model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
+
+    inputs = processor(images=image, return_tensors="pt")
+    outputs = model(**inputs)
+
+    # Convierte las salidas a formato COCO
+    target_sizes = torch.tensor([image.size[::-1])
+    results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]
+
+    # Formatea los resultados
+    formatted_results = format_detection_results(model, results)
+    
+    # Convierte los resultados en una cadena de texto separada por comas
+    result = ", ".join(formatted_results)
+    
+    return result
+
+# Define la función para generar la respuesta con el modelo Zephyr
+def generate_response(result):
+    zephyrToDo = "clasificame la palabra " + result + " en persona, paisaje u objeto"
+    prompt = ""
+    history = []  # Puedes proporcionar un historial de conversaciones si es necesario
+    response = generate(prompt, history)
+    return response
+
+# Define la interfaz de Gradio con entrada de imagen
+iface = gr.Interface(
+    fn=detect_objects,  # La función que procesa la imagen y obtiene el resultado
+    inputs=gr.inputs.Image(type="pil", label="Sube una imagen"),  # Entrada de imagen
+    outputs="text"  # Salida de texto
+)
+
+# Ejecuta la interfaz Gradio
+iface.launch()