File size: 4,759 Bytes
d626edf 86e50c8 d626edf 2fe452c d626edf 2fe452c d626edf 2fe452c d626edf 2fe452c d626edf 2fe452c 86e50c8 2fe452c 86e50c8 d626edf 86e50c8 2fe452c d626edf 2fe452c | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 | import streamlit as st
import requests
from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image, ImageDraw
import math # Importer la bibliothèque math pour arrondir au supérieur
# Fonction pour générer du texte avec Gemini
def generate_text_with_gemini(api_key, prompt):
url = "https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-flash-latest:generateContent"
headers = {
"Content-Type": "application/json",
}
params = {
"key": api_key
}
data = {
"contents": [
{
"parts": [
{"text": prompt}
]
}
]
}
response = requests.post(url, headers=headers, params=params, json=data)
# Debug: Print the raw response
print(f"Gemini response status code: {response.status_code}")
print(f"Gemini response content: {response.text}")
try:
response_json = response.json()
except ValueError:
response_json = {}
print("Failed to decode JSON response")
# Renvoyer le texte généré ou un message d'erreur
if response.status_code == 200 and "candidates" in response_json:
return response_json["candidates"][0]["content"]["parts"][0]["text"]
else:
return "Erreur lors de la génération du texte."
# 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")
# Préparer l'image pour le modèle
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
# Post-traitement des résultats pour obtenir les boîtes englobantes et les labels
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=confidence_threshold)[0]
# Convertir l'image pour dessiner
draw_image = image.copy()
draw = ImageDraw.Draw(draw_image)
# Compter le nombre de personnes détectées
persons = 0
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 rectangle rouge autour de la personne détectée
draw.rectangle(box, outline="red", width=2)
return draw_image, persons
# Interface Streamlit
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)
# Traitement des images et calcul de la moyenne
if uploaded_files:
total_persons = 0
total_images = len(uploaded_files)
for i, uploaded_file in enumerate(uploaded_files):
# Lire l'image téléchargée
image = Image.open(uploaded_file)
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=confidence_threshold)
# Ajouter au total des personnes détectées
total_persons += detected_persons
# Afficher l'image modifiée
st.image(modified_image, caption=f'Image avec personnes détectées : {uploaded_file.name}', use_column_width=True)
st.write(f"**Personnes détectées sur l'image {i + 1} ({uploaded_file.name}) : {detected_persons}**")
# Calcul de la moyenne et arrondi au supérieur
if total_images > 0:
average_persons = math.ceil(total_persons / total_images) # Arrondir au supérieur
st.write(f"**Moyenne des personnes détectées sur toutes les images : {average_persons}**")
# Générer un e-mail avec Gemini basé sur la moyenne arrondie
prompt = f"Génère-moi un mail destiné à l'attaché de promotion d'une école, pour lui signaler que la moyenne des personnes détectées sur les images est de {average_persons} élèves pour la classe 'ESGI 2'."
api_key = "AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38" # Clé d'API
email_text = generate_text_with_gemini(api_key, prompt)
st.write("**E-mail généré :**")
st.write(email_text)
|