app.py

import streamlit as st
from PIL import Image
import torch
import numpy as np
import matplotlib.pyplot as plt
from io import BytesIO
import time

# Funções principais
def load_model(model_name: str):
    """
    Função para carregar o modelo escolhido.
    """
    if model_name == "YOLOv5":
        return torch.hub.load('ultralytics/yolov5', 'yolov5s')  # YOLOv5 light
    elif model_name == "Faster R-CNN":
        return torch.hub.load('pytorch/vision', 'fasterrcnn_resnet50_fpn', pretrained=True)
    elif model_name == "RetinaNet":
        return torch.hub.load('facebookresearch/detectron2', 'retinanet_r50_fpn', pretrained=True)
    else:
        raise ValueError("Modelo não suportado!")

def detect_objects(model, image: Image, model_name: str):
    """
    Função que executa a detecção de objetos com o modelo escolhido.
    """
    img_tensor = torch.tensor(np.array(image)).permute(2, 0, 1).unsqueeze(0).float()
    
    with torch.no_grad():
        if model_name == "YOLOv5":
            results = model(img_tensor)
        else:
            results = model([img_tensor])[0]
    
    return results

def save_image_with_annotations(image: Image, results, model_name: str):
    """
    Função para salvar a imagem com anotações das detecções feitas.
    """
    fig, ax = plt.subplots(1, 1, figsize=(12, 9))
    ax.imshow(np.array(image))

    for *box, conf, cls in results.xywh[0]:
        x1, y1, x2, y2 = box
        ax.add_patch(plt.Rectangle((x1, y1), x2-x1, y2-y1, linewidth=2, edgecolor='r', facecolor='none'))
        ax.text(x1, y1, f'{results.names[int(cls)]} {conf:.2f}', color='r', fontsize=12, verticalalignment='top')

    output = BytesIO()
    plt.savefig(output, format='PNG')
    output.seek(0)
    
    return output

def display_feedback(results):
    """
    Exibe um feedback dinâmico com informações sobre as detecções.
    """
    st.write(f"🔍 Objetos Detectados: {len(results.xywh[0])}")
    st.write(f"🔢 Classes: {results.names}")
    st.write(f"📊 Confiança: {results.xywh[0][:, 4]}")

# Função de inicialização
def initialize_app():
    """
    Função para inicializar a aplicação Streamlit.
    """
    st.set_page_config(page_title="Detecção de Objetos com IA", page_icon="🤖", layout="centered")
    st.title("🧠 Elias Andrade - Detecção de Objetos com IA 🤖")

    # Seleção de modelo
    model_choice = st.selectbox("Escolha o modelo de detecção", ["YOLOv5", "Faster R-CNN", "RetinaNet"])

    # Upload de imagem
    uploaded_file = st.file_uploader("📂 Carregue uma imagem para detecção", type=["jpg", "jpeg", "png"])

    return model_choice, uploaded_file

# Função principal para execução da aplicação
def run_app():
    model_choice, uploaded_file = initialize_app()

    # Caso o usuário carregue uma imagem
    if uploaded_file is not None:
        image = Image.open(uploaded_file)
        st.image(image, caption="Imagem Carregada", use_column_width=True)

        # Seleção de modelo
        model = load_model(model_choice)

        start_button = st.button("Iniciar Detecção 🔍")
        save_button = st.button("Salvar Imagem com Marcação 💾")

        if start_button:
            with st.spinner("Detectando objetos..."):
                results = detect_objects(model, image, model_choice)
            st.image(results.render()[0], caption="Imagem com Detecção", use_column_width=True)
            display_feedback(results)

        if save_button:
            output_image = save_image_with_annotations(image, results, model_choice)
            st.download_button(
                label="Baixar Imagem com Marcação 📥",
                data=output_image,
                file_name="imagem_com_marcacao.png",
                mime="image/png"
            )

# Função para a escolha de objetos positivos e negativos
def mark_objects(results):
    """
    Função para permitir ao usuário marcar objetos como positivos ou negativos.
    """
    positive_objects = st.multiselect(
        "Escolha objetos para marcar como positivos ✅",
        options=results.names, default=[]
    )
    negative_objects = st.multiselect(
        "Escolha objetos para marcar como negativos ❌",
        options=results.names, default=[]
    )

    if positive_objects or negative_objects:
        st.write("📝 Objetos Marcados:")
        st.write(f"Positivos: {positive_objects}")
        st.write(f"Negativos: {negative_objects}")
    else:
        st.write("🔘 Não há objetos marcados ainda.")

# Função para mostrar opções adicionais ao usuário
def show_advanced_options(results):
    """
    Função para exibir opções avançadas de manipulação e configuração do modelo.
    """
    st.write("🔧 Opções Avançadas")
    
    # Opção de permitir que o usuário ajuste a confiança mínima de detecção
    confidence_threshold = st.slider(
        "Defina o limiar de confiança para detectar objetos",
        min_value=0.0, max_value=1.0, value=0.5, step=0.05
    )
    
    filtered_results = [r for r in results.xywh[0] if r[4] > confidence_threshold]
    st.write(f"🔎 Detecções filtradas: {len(filtered_results)}")

    # Exibir a imagem com detecções filtradas
    if len(filtered_results) > 0:
        fig, ax = plt.subplots(1, 1, figsize=(12, 9))
        ax.imshow(np.array(image))
        
        for *box, conf, cls in filtered_results:
            x1, y1, x2, y2 = box
            ax.add_patch(plt.Rectangle((x1, y1), x2-x1, y2-y1, linewidth=2, edgecolor='r', facecolor='none'))
            ax.text(x1, y1, f'{results.names[int(cls)]} {conf:.2f}', color='r', fontsize=12, verticalalignment='top')
        
        st.pyplot(fig)

# Função para execução completa da aplicação
if __name__ == "__main__":
    run_app()