Upload 2 files

app.py

@@ -0,0 +1,76 @@
+import gradio as gr
+import cv2
+import numpy as np
+import mediapipe as mp
+from PIL import Image
+import torch
+from torchvision import transforms
+from urllib.request import urlopen
+from io import BytesIO
+
+# ------------------ Haarsegmentierung: MODNet (einfaches Mock-Skript) ------------------
+# In der echten Space-Version würdest du das Modell hier laden
+def segment_hair(image):
+    # Hier sollte ein echtes Haarsegmentierungsmodell wie MODNet eingesetzt werden
+    # Zur Demonstration: Dummy-Funktion mit simplen Thresholds
+    img = np.array(image)
+    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
+    mask = cv2.inRange(gray, 20, 255)  # Pseudo-Haarmaske
+    result = cv2.bitwise_and(img, img, mask=mask)
+    return Image.fromarray(result)
+
+# ------------------ Gesichts-Position erkennen ------------------
+def get_head_bbox(image):
+    mp_face_detection = mp.solutions.face_detection
+    with mp_face_detection.FaceDetection(model_selection=1, min_detection_confidence=0.5) as face_detection:
+        results = face_detection.process(cv2.cvtColor(image, cv2.COLOR_RGB2BGR))
+        if not results.detections:
+            return None
+        for detection in results.detections:
+            bbox = detection.location_data.relative_bounding_box
+            h, w, _ = image.shape
+            x = int(bbox.xmin * w)
+            y = int(bbox.ymin * h)
+            width = int(bbox.width * w)
+            height = int(bbox.height * h)
+            return (x, y, width, height)
+    return None
+
+# ------------------ Frisur einsetzen ------------------
+def transfer_hair(frisur_img, ziel_img):
+    frisur = segment_hair(frisur_img).convert("RGBA")
+    ziel = ziel_img.convert("RGBA")
+    ziel_np = np.array(ziel)
+    bbox = get_head_bbox(np.array(ziel))
+
+    if bbox is None:
+        return "Kein Gesicht erkannt", None
+
+    x, y, w, h = bbox
+
+    # Frisur skalieren
+    frisur = frisur.resize((w, int(h * 1.5)))
+
+    # Frisur leicht höher setzen
+    y_offset = y - int(h * 0.6)
+    x_offset = x
+
+    result = ziel.copy()
+    result.paste(frisur, (x_offset, max(0, y_offset)), frisur)
+
+    return result
+
+# ------------------ Gradio Interface ------------------
+with gr.Blocks() as demo:
+    gr.Markdown("## 🧠 KI-basierte Frisurübertragung\nLade ein Frisurbild und ein Zielbild hoch – die Frisur wird automatisch übertragen.")
+
+    with gr.Row():
+        frisur_input = gr.Image(label="Frisurbild (Portrait mit Frisur)", type="pil")
+        ziel_input = gr.Image(label="Zielbild (Ganzkörper, Gesicht sichtbar)", type="pil")
+
+    output = gr.Image(label="Ergebnisbild mit übertragener Frisur")
+
+    btn = gr.Button("Frisur übertragen")
+    btn.click(fn=transfer_hair, inputs=[frisur_input, ziel_input], outputs=output)
+
+demo.launch()

requirements.txt

@@ -0,0 +1,7 @@
+gradio
+opencv-python
+numpy
+mediapipe
+torch
+torchvision
+Pillow