File size: 3,714 Bytes
9e0ec45 fb8989b 9e0ec45 fb8989b 9e0ec45 6daeacc 9e0ec45 5f410f3 9e0ec45 |
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 |
import gradio as gr
from ultralytics import YOLO
import cv2
import numpy as np
from PIL import Image
# Cargar el modelo YOLO directamente desde el archivo local
model = YOLO('./best.pt')
# Funci贸n para procesar la imagen con YOLO
def detectar_objetos(image):
# Convertir la imagen de entrada (Gradio) a formato OpenCV (BGR)
image_bgr = cv2.cvtColor(np.array(image), cv2.COLOR_RGB2BGR)
# Realiza la detecci贸n con YOLO directamente en la imagen
results = model.predict(source=image_bgr, conf=0.25, save=False)
# Dibuja las detecciones en la imagen
annotated_image = image_bgr.copy()
for box in results[0].boxes:
# Extraer coordenadas y clase
x1, y1, x2, y2 = map(int, box.xyxy[0])
cls = int(box.cls)
# Colores personalizados para las clases
if cls == 0: # Well
color = (0, 255, 0) # Verde
label = "Well"
elif cls == 1:
color = (255, 0, 0) # Rojo
label = "Partially"
elif cls == 2:
color = (0, 0, 255) # Azul
label = "Bad"
else:
color = (255, 255, 255)
label = f"Class {cls}"
# Dibujar el cuadro y la etiqueta
cv2.rectangle(annotated_image, (x1, y1), (x2, y2), color, thickness=2)
cv2.putText(
annotated_image, label, (x1, y1 - 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, color, thickness=0
)
# Convertir la imagen anotada de BGR a RGB para mostrar en Gradio
annotated_image_rgb = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB)
return annotated_image_rgb
# CSS personalizado para la interfaz
css = """
.app-container { background-color: white; }
.title-container {
background-color: white;
display: flex;
align-items: center;
justify-content: center;
height: 300px;
font-size: 24px;
font-weight: bold;
text-align: center;
}
.centered-image {
display: block;
margin: auto;
}
"""
# Crear la interfaz con el dise帽o original
examples = [["cacao_1.png"], ["cacao_2.jpg"]] # Aseg煤rate de que estos archivos est茅n en la misma carpeta que el script
with gr.Blocks(css=css) as demo:
# Logo y t铆tulo en la parte superior
with gr.Row():
gr.Image(value="Cacaotin.png", width=300, height=300, elem_id="centered-image")
gr.Markdown("<div class='title-container'>Fermentation Level Classification for Cocoa Beans</div>")
# Bot贸n de GitHub centrado
gr.Markdown("<center><a href='https://github.com/kebincontreras/cocoa_beans_interfaces' target='_blank'><button style='background-color: #007bff; color: white; padding: 10px 20px; border: none; border-radius: 5px; font-size: 16px;'>View on GitHub</button></a></center>")
# Fila para cargar la imagen y mostrar la salida procesada
with gr.Row():
img_input = gr.Image(label="Upload Image")
img_output = gr.Image(label="Image with Detected Objects")
# Bot贸n para procesar la imagen
btn_detectar = gr.Button("Detect Objects")
btn_detectar.click(detectar_objetos, inputs=img_input, outputs=img_output)
# Descripci贸n de las clases de cacao
gr.Markdown("""
**Cacao Classes According to NTC1252:2021:**
- **a) Well-fermented:**
- **b) Partially fermented:**
- **c) Non-fermented:**
""")
gr.Image(value="cacao.png", label="a) Well-fermented, b) Partially fermented, c) Non-fermented")
# Explicaci贸n final seg煤n la norma
gr.Markdown("**Explanation According to NTC1252:2021:** Here you can explain how the NTC1252:2021 norm applies to the classification of fermentation levels.")
# Ejecutar la aplicaci贸n
if __name__ == "__main__":
demo.launch()
|