Update app.py

app.py

@@ -1,25 +1,15 @@
 
 import torch
-TORCH_VERSION = ".".join(torch.__version__.split(".")[:2])
-CUDA_VERSION = torch.version.cuda
-print("torch:", TORCH_VERSION, "; cuda:", CUDA_VERSION)
-
-# Commented out IPython magic to ensure Python compatibility.
-# Importación de bibliotecas
 import pandas as pd
-import os, cv2, sys
 import matplotlib.pyplot as plt
-import ipywidgets as widgets
-# %matplotlib auto
+from PIL import Image
+import gradio as gr
 
-# Importación de los paquetes de Detectron2
 from detectron2 import model_zoo
 from detectron2.engine import DefaultPredictor
 from detectron2.config import get_cfg
 from detectron2.utils.visualizer import Visualizer
 from detectron2.data import catalog
-
-# importar módulos colab_zirc_dims
 from colab_zirc_dims import save_load
 from colab_zirc_dims import alc_notebook_fxns
 from colab_zirc_dims import zirc_dims_GUI
@@ -34,80 +24,56 @@ try:
 except ModuleNotFoundError:
     from colab_zirc_dims.jupyter_colab_compat import output_local as output
 
-from PIL import Image
-import skimage.io
-
-import gradio as gr
-
-from google.colab import drive
-drive.mount('/content/gdrive')
-
-# Commented out IPython magic to ensure Python compatibility.
-def generate_medition(sample_img,Escala):
-  #sample_img = im.convert('RGB')
-  #print(sample_img.shape)
-  #input()
-
-  from PIL import Image
-  im = Image.fromarray(sample_img)
-  im.save("sample_image.jpg")
-  fn = 'sample_image.jpg'
-  filepath = '/content/sample_image.jpg'
-  #Escala = 3
-  selected_samples = []
-  sample_img
-  loaded_data_dict = {fn: {fn: {'img_file': filepath, 'Align_file': '', 'rel_file': fn, 'scale_factor': Escala, 'scale_from': 'default (1.0)'}}}
-  #print(loaded_data_dict)
-  #input()
-  alc_notebook_fxns.select_samples_fxn(loaded_data_dict, selected_samples)
-
-  model_lib_loc = 'default'
-  current_model_dict = {}
-  alc_notebook_fxns.select_download_model_interface(current_model_dict, model_lib_loc)
-
-  grain_metadata = catalog.Metadata(name='grain_meta', thing_classes=['grain'])
-  predictor = non_std_cfgs.smart_load_predictor(
-      current_model_dict['selected_config_yaml'],
-      current_model_dict['selected_model_weights'],
-      use_cpu = True,
-      adj_nms_thresh='auto',
-      adj_thresh_test='auto')
-  print('Predictor loaded')
-
-  ROOT_DIR = "/content/drive/MyDrive"
-  Try_contrast_enhanced_subimage = True
-  Try_Otsu_thresholding  = True
-  Save_polygons = True
-  save_polys_bool = Save_polygons
-  alt_methods = [Try_contrast_enhanced_subimage,
-               Try_Otsu_thresholding]
-  full_auto_str = ''
-#   %matplotlib auto
-  plt.switch_backend('Agg')
-  run_dir = gen_notebook_fxns.full_auto_proc(ROOT_DIR, selected_samples, loaded_data_dict,
-                                            predictor, save_polys_bool, alt_methods,
-                                            full_auto_str, stream_output=False)
-
-  filepath = run_dir + '/mask_images/' + fn + '/' + fn + '.png'
-  im = Image.open(filepath)
-  rgb_im = im.convert('RGB')
-  rgb_im.save('imagef.jpg')
-  imagef = '/content/imagef.jpg'
-  from google.colab.patches import cv2_imshow
-  img = cv2.imread(imagef, cv2.COLOR_BGR2RGB)
-
-
-  # Carga de los datos de medición del fragmento de ripios de perforación
-  file = run_dir + '/grain_dimensions/' + fn + '_grain_dimensions.csv'
-  print(file)
-  df = pd.read_csv(file)
-  df = df.head()
-
-
-
-  return img, df
+def generate_medition(sample_img, Escala):
+    # Guardar imagen de muestra
+    im = Image.fromarray(sample_img)
+    im.save("sample_image.jpg")
+    fn = 'sample_image.jpg'
+    filepath = '/content/sample_image.jpg'
+    selected_samples = []
+    loaded_data_dict = {fn: {fn: {'img_file': filepath, 'Align_file': '', 'rel_file': fn, 'scale_factor': Escala, 'scale_from': 'default (1.0)'}}}
+    alc_notebook_fxns.select_samples_fxn(loaded_data_dict, selected_samples)
+
+    model_lib_loc = 'default'
+    current_model_dict = {}
+    alc_notebook_fxns.select_download_model_interface(current_model_dict, model_lib_loc)
+
+    grain_metadata = catalog.Metadata(name='grain_meta', thing_classes=['grain'])
+    predictor = non_std_cfgs.smart_load_predictor(
+        current_model_dict['selected_config_yaml'],
+        current_model_dict['selected_model_weights'],
+        use_cpu=True,
+        adj_nms_thresh='auto',
+        adj_thresh_test='auto')
+    print('Predictor loaded')
+
+    Try_contrast_enhanced_subimage = True
+    Try_Otsu_thresholding = True
+    Save_polygons = True
+    save_polys_bool = Save_polygons
+    alt_methods = [Try_contrast_enhanced_subimage, Try_Otsu_thresholding]
+    full_auto_str = ''
+    plt.switch_backend('Agg')
+    run_dir = gen_notebook_fxns.full_auto_proc('/content/', selected_samples, loaded_data_dict,
+                                               predictor, save_polys_bool, alt_methods,
+                                               full_auto_str, stream_output=False)
+
+    filepath = run_dir + '/mask_images/' + fn + '/' + fn + '.png'
+    im = Image.open(filepath)
+    rgb_im = im.convert('RGB')
+    rgb_im.save('imagef.jpg')
+    imagef = '/content/imagef.jpg'
+    img = cv2.imread(imagef, cv2.COLOR_BGR2RGB)
+
+    # Carga de los datos de medición del fragmento de ripios de perforación
+    file = run_dir + '/grain_dimensions/' + fn + '_grain_dimensions.csv'
+    print(file)
+    df = pd.read_csv(file)
+    df = df.head()
+
+    return img, df
 
 demo = gr.Interface(fn=generate_medition, inputs=[gr.Image(label="Imagen"), gr.Radio([1,2,3,4,5,6], label="Escala de la imagen")], outputs=[gr.Image(label="Fragmento medido"), gr.Dataframe(label="Tabla de datos")], title="MEDICIÓN DE IMÁGENES DE RIPIOS DE PERFORACIÓN",
                     description='La siguiente interfaz medirá de forma automática fragmentos en imágenes de ripios de perforación. El usuario deberá ingresar en la parte de la izquierda la imagen a ser procesada y su escala en um/px, mientras que en la parte de la derecha se mostrará la imagen con el fragmento ya medido y una tabla con los parámetros medidos y calculados. Se recomienda ingresar imágenes sin ningún tipo de mediciones o símbolos ya que esto podría afectar en la predicción del modelo.',
                     article='Nota: En el caso de ingresar imágenes que no tengan relación a muestras de ripios de perforación, los autores de esta aplicación no se hacen responsables por los resultados de estas, el modelo de medición de ripios de perforación está entrenado para dar un resultado.')
-demo.launch()
+demo.launch()