Spaces:
Sleeping
Sleeping
File size: 5,474 Bytes
a97835d 2586595 a97835d 2586595 6e2e7fb 2586595 3768951 2586595 3768951 2586595 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 |
import streamlit as st
import prediction
# import eda # Uncomment if you have eda.py
# Set page configuration
# st.set_page_config(
# page_title="AISeeYou",
# #page_icon="src/LOGO_AISEE_YOU.PNG", # Menggunakan logo sebagai icon tab
# layout="wide", # Centered layout
# initial_sidebar_state="expanded"
# )
# Inisialisasi session state untuk fun fact
if 'fun_fact_index' not in st.session_state:
st.session_state['fun_fact_index'] = 0
def main():
# Sidebar
st.sidebar.image("src/LOGO_AISEE_YOU.png", width=150)
st.sidebar.title("Navigation")
page = st.sidebar.radio("Go to", ["🏠 Home", "🔍 Prediction"])
if page == "🏠 Home":
# Sidebar Info
# st.sidebar.markdown("---")
# st.sidebar.subheader("📊 About the Model")
# accuracy = 0.82
# st.sidebar.write("🎯 Model Accuracy:")
# st.sidebar.progress(accuracy)
# st.sidebar.write(f"{accuracy:.2%}")
# st.sidebar.write("**🤔 What is Accuracy?**")
# st.sidebar.write("Accuracy measures how well our model correctly classifies waste items.")
# st.sidebar.write("**💡 What does this mean?**")
# st.sidebar.write(f"Our model correctly classifies {accuracy:.2%} of waste items, helping improve recycling efficiency.")
# st.sidebar.markdown("---")
# st.sidebar.subheader("♻️ Fun Facts")
# fun_facts = [
# "Proper waste classification can increase recycling rates by up to 50%!",
# "Recycling one aluminum can saves enough energy to run a TV for three hours.",
# "It takes 450 years for a plastic bottle to decompose in a landfill.",
# "Glass can be recycled endlessly without losing quality or purity.",
# "Recycling paper saves 17 trees and 7,000 gallons of water per ton of paper."
# ]
# st.sidebar.info(fun_facts[st.session_state['fun_fact_index']])
# if st.sidebar.button("Next Fun Fact"):
# st.session_state['fun_fact_index'] = (st.session_state['fun_fact_index'] + 1) % len(fun_facts)
# st.rerun()
# Main Content - Home
st.title("Welcome to AI See You Tools")
st.write("""
This application provides functionalities for Exploratory Data Analysis and
Prediction of waste types. Use the navigation pane on the left to
select the module you wish to utilize.
""")
# Logo di tengah halaman
col1, col2, col3 = st.columns([1, 2, 1])
with col2:
st.image("src/LOGO_AISEE_YOU.png", caption="AISeeYou", width=300)
st.markdown("---")
# Dataset Info
st.write("#### 📊 Dataset")
st.info("""
The dataset used is the RealWaste dataset, containing images of waste items across 9 major material types,
collected within an authentic landfill environment. This dataset provides a realistic representation of
waste items, allowing our model to learn from real-world examples.
""")
# Problem Statement
st.write("#### ⚠️ Problem Statement")
st.warning("""
Dalam upaya menjaga keselamatan dan keamanan publik, khususnya di tempat-tempat vital seperti bandara,
terminal, dan gedung pemerintahan, pemeriksaan barang bawaan menjadi langkah penting yang tidak
bisa diabaikan. Salah satu metode utama yang digunakan adalah pemindaian X-ray terhadap bagasi
atau tas penumpang untuk mendeteksi adanya benda-benda berbahaya seperti senjata api, pisau, atau alat tajam lainnya.
Meskipun teknologi pemindaian X-ray telah tersedia secara luas, proses interpretasi citra X-ray masih sangat bergantung
pada keahlian manusia, yang memiliki keterbatasan dalam hal konsistensi, kecepatan, dan akurasi, terutama ketika
menghadapi volume penumpang yang tinggi. Dalam konteks ini, penerapan Artificial Intelligence (AI) dan
Computer Vision dapat menjadi solusi potensial untuk meningkatkan efektivitas sistem keamanan.
""")
# Objective
st.write("#### 🎯 Objective")
st.success("""
Proyek ini bertujuan untuk secara komprehensif mengeksplorasi dan menganalisis
dataset citra X-ray bagasi yang berisi gambar-gambar hasil pemindaian
serta anotasi objek-objek berbahaya seperti senjata tajam, bahan peledak,
dan benda mencurigakan lainnya dengan metrics yang ditentukan adalah recall dan mAP50 mencapai 80%. Tujuan utama dari proyek ini mencakup beberapa
tahap penting yang saling terkait, yakni:
1. Eksplorasi dan Pemahaman Dataset.
2. Analisis Distribusi dan Karakteristik Visual.
3. Analisis Visual Interaktif.
4. Pengembangan dan Pelatihan Model Deep Learning.
5. Evaluasi Performa Model.
6. Interpretasi dan Implikasi Praktis.
Dengan pendekatan yang sistematis ini, proyek diharapkan mampu menghasilkan pemahaman
yang mendalam terhadap data serta mengembangkan early prototype model yang dapat mendeteksi
objek berbahaya. Prototipe ini diharapkan dapat menjadi langkah awal dalam kontribusi
terhadap sistem keamanan publik yang lebih canggih dan responsif.
""")
elif page == "🔍 Prediction":
prediction.run()
# elif page == "📊 EDA":
# eda.run()
if __name__ == "__main__":
main()
|