Upload 2 files

app.py

@@ -0,0 +1,87 @@
+import streamlit as st
+import requests
+from transformers import DetrImageProcessor, DetrForObjectDetection
+import torch
+from PIL import Image
+
+# 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")
+    
+    return response.status_code, response_json
+
+# Fonction de traitement de l'image
+def process_image(image):
+    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=0.9)[0]
+
+    # Compter le nombre de personnes détectées
+    persons = 0
+    for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
+        if model.config.id2label[label.item()] == 'person':
+            persons += 1
+
+    expected_number_of_persons = 100  # Nombre attendu de personnes
+    absents = expected_number_of_persons - persons
+
+    # Assurez-vous que le nombre d'absents ne soit pas négatif
+    if absents < 0:
+        absents = 0
+
+    # Générer le contenu de l'email avec Gemini
+    prompt = f"Notifier de l'absence: Le nombre de personnes présentes est de {persons}. Le nombre d'absents est de {absents}."
+    gemini_api_key = "AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38"  # Votre clé API Gemini
+    status_code, response_json = generate_text_with_gemini(gemini_api_key, prompt)
+    email_content = response_json.get('candidates', [{}])[0].get('content', {}).get('parts', [{}])[0].get('text', 'Content generation failed.')
+
+    return email_content
+
+# Interface Streamlit
+st.title("Analyse d'Image pour Détection de Personnes")
+
+uploaded_file = st.file_uploader("Choisissez une image", type=["jpg", "jpeg", "png"])
+
+if uploaded_file is not None:
+    # Lire l'image téléchargée
+    image = Image.open(uploaded_file)
+    st.image(image, caption='Image téléchargée', use_column_width=True)
+    
+    # Traitement de l'image
+    email_content = process_image(image)
+    
+    # Utilisation de Markdown pour un rendu graphique plus riche
+    st.markdown(email_content)

requirements.txt

@@ -0,0 +1,6 @@
+transformers
+torch
+requests
+Pillow
+streamlit
+