Update app.py

app.py

@@ -2,7 +2,7 @@ import streamlit as st
 import requests
 from transformers import DetrImageProcessor, DetrForObjectDetection
 import torch
-from PIL import Image, ImageDraw, ImageFont
+from PIL import Image, ImageDraw
 
 # Fonction pour générer du texte avec Gemini
 def generate_text_with_gemini(api_key, prompt):
@@ -36,7 +36,7 @@ def generate_text_with_gemini(api_key, prompt):
     
     return response.status_code, response_json
 
-# Fonction de traitement de l'image et d'annotation des personnes détectées
+# Fonction de traitement de l'image et d'encadrement des personnes détectées
 def process_image(image, confidence_threshold=0.7):
     processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
     model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
@@ -52,17 +52,15 @@ def process_image(image, confidence_threshold=0.7):
     # Convertir l'image pour dessiner
     draw_image = image.copy()
     draw = ImageDraw.Draw(draw_image)
-    font = ImageFont.load_default()
 
     # Compter le nombre de personnes détectées
     persons = 0
-    for idx, (score, label, box) in enumerate(zip(results["scores"], results["labels"], results["boxes"])):
+    for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
         if score >= confidence_threshold and model.config.id2label[label.item()] == 'person':
             persons += 1
             box = [round(i, 2) for i in box.tolist()]
-            # Dessiner le texte avec le numéro de la personne détectée
-            text = f'Personne {persons}'
-            draw.text((box[0], box[1]), text, fill="blue", font=font)
+            # Dessiner le rectangle rouge autour de la personne détectée
+            draw.rectangle(box, outline="red", width=2)
     
     return draw_image, persons
 
@@ -72,6 +70,9 @@ st.title("Analyse d'Images pour Détection de Personnes")
 # Téléchargement des images
 uploaded_files = st.file_uploader("Choisissez des images (vous pouvez en ajouter plusieurs)", type=["jpg", "jpeg", "png"], accept_multiple_files=True)
 
+# Saisie du seuil de confiance
+confidence_threshold = st.slider("Seuil de confiance pour la détection (0 à 1)", 0.0, 1.0, 0.7, 0.01)
+
 # Saisie du nombre de personnes attendues pour chaque image
 if uploaded_files:
     number_of_people = []
@@ -89,7 +90,7 @@ if uploaded_files:
         st.image(image, caption=f'Image téléchargée : {uploaded_file.name}', use_column_width=True)
         
         # Traitement de l'image
-        modified_image, detected_persons = process_image(image, confidence_threshold=0.7)
+        modified_image, detected_persons = process_image(image, confidence_threshold=confidence_threshold)
         
         # Calculer le nombre d'absents
         absents = number_of_people[i] - detected_persons
@@ -97,7 +98,7 @@ if uploaded_files:
             absents = 0
 
         # Afficher l'image modifiée
-        st.image(modified_image, caption=f'Image avec personnes annotées : {uploaded_file.name}', use_column_width=True)
+        st.image(modified_image, caption=f'Image avec personnes détectées : {uploaded_file.name}', use_column_width=True)
         
         # Afficher le nombre d'absents
         st.write(f"**Nombre d'absents pour l'image {i + 1} ({uploaded_file.name}) : {absents}**")