Update src/streamlit_app.py

src/streamlit_app.py

@@ -34,7 +34,7 @@ if uploaded_video is not None:
         # Inisialisasi hitungan emosi
         emotion_counts = {
             "Happy": 0, "Neutral": 0, "Angry": 0, 
-            "Sad": 0, "Surprised": 0, "Fear": 0, "Disgust": 0, "Contempt": 0
+            "Sad": 0, "Surprised": 0, "Fear": 0, "Disgust": 0
         }
         total_detections = 0
         
@@ -48,6 +48,10 @@ if uploaded_video is not None:
         
         frame_idx = 0
         
+        # --- KONFIGURASI OPTIMASI CPU ---
+        FRAME_SKIP = 5  # Analisis 1 dari setiap 5 frame (Mempercepat hingga 5x lipat)
+        TARGET_WIDTH = 640 # Mengecilkan resolusi frame agar inferensi YOLO jauh lebih ringan
+        
         # 3. PROSES LOOPING VIDEO (TWO-STAGE DETECTION + TRACKING)
         while cap.isOpened():
             ret, frame = cap.read()
@@ -57,8 +61,18 @@ if uploaded_video is not None:
             frame_idx += 1
             progress_bar.progress(frame_idx / total_frames)
             
+            # --- OPTIMASI 1: FRAME SKIPPING ---
+            if frame_idx % FRAME_SKIP != 0:
+                continue # Lewati deteksi YOLO pada frame ini untuk menghemat CPU
+            
+            # --- OPTIMASI 2: RESIZE FRAME ---
+            # Menjaga aspek rasio video tetap proporsional saat diperkecil
+            h, w = frame.shape[:2]
+            aspect_ratio = h / w
+            target_height = int(TARGET_WIDTH * aspect_ratio)
+            frame = cv2.resize(frame, (TARGET_WIDTH, target_height))
+            
             # --- TAHAP 1: Deteksi & Lacak Wajah dengan YOLOv11-Face Tracking ---
-            # Menggunakan .track() dan persist=True agar ID wajah tetap konsisten antar frame
             face_results = face_model.track(frame, conf=0.4, persist=True, verbose=False)
             
             for r_face in face_results:
@@ -74,6 +88,10 @@ if uploaded_video is not None:
                         # Ambil koordinat kotak pembatas
                         x1, y1, x2, y2 = map(int, box)
                         
+                        # Pastikan koordinat berada di dalam batas frame setelah di-resize
+                        x1, y1 = max(0, x1), max(0, y1)
+                        x2, y2 = min(TARGET_WIDTH, x2), min(target_height, y2)
+                        
                         # Potong area wajah dari frame (Crop)
                         face_crop = frame[y1:y2, x1:x2]
                         
@@ -103,12 +121,11 @@ if uploaded_video is not None:
         # --- 4. TAMPILKAN RINGKASAN DATA (TERMASUK TOTAL WAJAH) ---
         st.subheader("Ringkasan Hasil Analisis")
         
-        # Menggunakan kolom metrik Streamlit agar terlihat profesional
         col1, col2 = st.columns(2)
         with col1:
             st.metric(label="Total Wajah/Siswa Terdeteksi", value=f"{len(unique_face_ids)} Orang")
         with col2:
-            st.metric(label="Total Deteksi Emosi (Frame akumulatif)", value=f"{total_detections} Kali")
+            st.metric(label="Total Deteksi Emosi (Sampel Terpilih)", value=f"{total_detections} Kali")
             
         st.write("---")
         
@@ -171,4 +188,4 @@ if uploaded_video is not None:
                     "memperlambat tempo penjelasan pada pertemuan berikutnya."
                 )
         else:
-            st.error("❌ Tidak ada wajah siswa yang terdeteksi di dalam video. Pastikan kualitas video cukup jelas.")
+            st.error("❌ Tidak ada wajah siswa yang terdeteksi di dalam video. Pastikan kualitas video cukup jelas.")