Create app.py

app.py

@@ -0,0 +1,104 @@
+import gradio as gr
+from ultralytics import YOLO
+import numpy as np
+import cv2
+
+# Carica il modello locale (già caricato nei Files)
+print("Caricamento modello...")
+model = YOLO('best.pt')
+print("Modello caricato con successo!")
+
+def detect_balloons(image, confidence):
+    if image is None:
+        return None, {"error": "Nessuna immagine"}
+    
+    print(f"Rilevamento con confidenza: {confidence}")
+    
+    # Detection - rileva SOLO balloon
+    results = model(image, conf=confidence, verbose=False)
+    
+    output = {
+        'num_balloons': 0,
+        'detections': []
+    }
+    
+    # Controlla se ci sono detection
+    if results[0].boxes is not None and len(results[0].boxes) > 0:
+        output['num_balloons'] = len(results[0].boxes)
+        
+        print(f"Trovati {len(results[0].boxes)} balloon")
+        
+        for i in range(len(results[0].boxes)):
+            box = results[0].boxes.xyxy[i].cpu().numpy().tolist()
+            conf = float(results[0].boxes.conf[i].cpu().numpy())
+            
+            detection_data = {
+                'box': {
+                    'x1': int(box[0]),
+                    'y1': int(box[1]),
+                    'x2': int(box[2]),
+                    'y2': int(box[3])
+                },
+                'confidence': round(conf, 3)
+            }
+            
+            # Aggiungi mask se disponibile (segmentation)
+            if hasattr(results[0], 'masks') and results[0].masks is not None:
+                try:
+                    mask = results[0].masks.data[i].cpu().numpy()
+                    h, w = image.shape[:2]
+                    mask_resized = cv2.resize(mask, (w, h))
+                    # Converti in lista di coordinate dei pixel bianchi (più leggero del full array)
+                    white_pixels = np.argwhere(mask_resized > 0.5).tolist()
+                    detection_data['mask_pixels'] = white_pixels[:1000]  # Limita a 1000 pixel per performance
+                    detection_data['has_mask'] = True
+                except:
+                    detection_data['has_mask'] = False
+            else:
+                detection_data['has_mask'] = False
+            
+            output['detections'].append(detection_data)
+    else:
+        print("Nessun balloon rilevato - prova ad abbassare la confidenza")
+    
+    # Disegna i risultati
+    annotated = results[0].plot()
+    
+    return annotated, output
+
+# Interface Gradio
+with gr.Blocks(title="Balloon Detection") as demo:
+    gr.Markdown("# 🎈 Rilevamento Balloon nei Fumetti")
+    gr.Markdown("**Modello addestrato specificamente su balloon di fumetti** (manga, webtoon, western comics)")
+    
+    with gr.Row():
+        with gr.Column():
+            input_image = gr.Image(type="numpy", label="📷 Carica Fumetto")
+            confidence = gr.Slider(
+                minimum=0.1, 
+                maximum=1.0, 
+                value=0.25,  # Più basso per rilevare più balloon
+                step=0.05,
+                label="🎯 Confidenza (più basso = più sensibile)"
+            )
+            detect_btn = gr.Button("🔍 Rileva Balloon", variant="primary", size="lg")
+            
+        with gr.Column():
+            output_image = gr.Image(label="✅ Risultato")
+            output_json = gr.JSON(label="📊 Dati API")
+    
+    gr.Markdown("""
+    ### 💡 Suggerimenti:
+    - Se **non rileva balloon**: abbassa la confidenza a 0.15-0.20
+    - Se **rileva troppe cose**: alza la confidenza a 0.4-0.5
+    - Il modello è addestrato su 8000 immagini di fumetti vari
+    """)
+    
+    detect_btn.click(
+        fn=detect_balloons,
+        inputs=[input_image, confidence],
+        outputs=[output_image, output_json]
+    )
+
+print("App avviata!")
+demo.launch()