Upload 2 files

app.py

@@ -0,0 +1,185 @@
+# -*- coding: utf-8 -*-
+"""Deploy Barcelo demo.ipynb
+Automatically generated by Colaboratory.
+Original file is located at
+    https://colab.research.google.com/drive/1FxaL8DcYgvjPrWfWruSA5hvk3J81zLY9
+![   ](https://www.vicentelopez.gov.ar/assets/images/logo-mvl.png)
+# Modelo
+YOLO es una familia de modelos de detección de objetos a escala compuesta entrenados en COCO dataset, e incluye una funcionalidad simple para Test Time Augmentation (TTA), model ensembling, hyperparameter evolution, and export to ONNX, CoreML and TFLite.
+## Gradio Inferencia
+![](https://i.ibb.co/982NS6m/header.png)
+Este Notebook se acelera opcionalmente con un entorno de ejecución de GPU
+----------------------------------------------------------------------
+ YOLOv5 Gradio demo
+*Author: Ultralytics LLC and Gradio*
+# Código
+"""
+
+#!pip install -qr https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt gradio # install dependencies
+
+import os
+import re
+import json
+import numpy as np
+import pandas as pd
+import gradio as gr
+import torch
+from PIL import Image
+from ultralytics import YOLO
+from ultralyticsplus import render_result
+
+# Images
+torch.hub.download_url_to_file('https://i.pinimg.com/originals/7f/5e/96/7f5e9657c08aae4bcd8bc8b0dcff720e.jpg', 'ejemplo1.jpg')
+torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee05624d5477ffcf2d34ca77b47d1.jpg', 'ejemplo2.jpg')
+
+# Model
+class YOLODetect():
+    def __init__(self, modelo):
+        self.modelo = YOLO(modelo)
+
+    def predecir(self, url):
+        # conf	float	0.25	umbral de confianza del objeto para la detección
+        # iou	float	0.7	umbral de intersección sobre unión (IoU) para NMS
+        self.source = url
+        self.results = self.modelo.predict(source=self.source, imgsz=640, conf=0.5, iou=0.40)
+        return self.results
+
+    def show(self):
+        render = render_result(model=self.modelo, image=self.source, result=self.results[0])
+        return render
+
+    def to_json(self):
+        array_numpy = self.results[0].boxes.cls.cpu().numpy().astype(np.int32)
+        # Definir las clases y sus nombres correspondientes
+        clases = {
+            0: "Aedes",
+            1: "Mosquitos",
+            2: "Moscas"
+        }
+
+        # Contabilizar las clases
+        conteo_clases = np.bincount(array_numpy)
+
+        self.json_result = [{'Especie': clases[i], 'Cantidad': conteo_clases[i] if i < len(conteo_clases) else 0} for i in range(len(clases))]
+        return self.json_result
+
+    def to_dataframe(self):
+        return pd.DataFrame(self.json_result)
+
+modelo_yolo = YOLO('best.pt')
+#HF_TOKEN = os.getenv("ZIKA_TOKEN_WRITE")
+#hf_writer = gr.HuggingFaceDatasetSaver(HF_TOKEN, "demo-iazika-flags")
+
+# def getQuantity(string): 
+#     contador_raw = ''.join(string.split(" ")[3:])
+    
+#     resultado_especie_1 = 'Aedes'
+#     resultado_especie_2 = 'Mosquito'
+#     resultado_especie_3 = 'Mosca'
+#     resultado_cantidad_1 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_1, contador_raw))))
+#     resultado_cantidad_2 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_2, contador_raw))))
+#     resultado_cantidad_3 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_3, contador_raw))))
+#     resultado_cantidad_1 = resultado_cantidad_1 if len(resultado_cantidad_1) > 0 else "0"
+#     resultado_cantidad_2 = resultado_cantidad_2 if len(resultado_cantidad_2) > 0 else "0"
+#     resultado_cantidad_3 = resultado_cantidad_3 if len(resultado_cantidad_3) > 0 else "0"
+    
+#     resultado_lista = [[resultado_cantidad_1,resultado_especie_1],
+#                        [resultado_cantidad_2,resultado_especie_2],
+#                        [resultado_cantidad_3,resultado_especie_3]]
+    
+#     return resultado_lista
+
+# def listJSON(resultado):
+#     resultado_lista = getQuantity(resultado)
+#     img_name = " ".join(resultado.split(" ")[0:2])
+#     img_size = "".join(resultado.split(" ")[2])
+#     strlista = ""
+#     for resultado_lista, description in resultado_lista:
+#         strlista += '{"quantity":"'+resultado_lista+'","description":"'+description+'"},'
+#     strlista = strlista[:-1]
+#     str_resultado_lista = '{"image":"'+str(img_name)+'","size":"'+str(img_size)+'","detail":['+strlista+']}'
+#     json_string = json.loads(str_resultado_lista)
+#     return json_string
+    
+# def arrayLista(resultado):
+#     resultado_lista = getQuantity(resultado)
+#     df = pd.DataFrame(resultado_lista,columns=['Cantidad','Especie'])
+#     return df
+
+def yolo(size, iou, conf, im):
+    '''Wrapper fn for gradio'''
+    g = (int(size) / max(im.size))  # gain
+    im = im.resize((int(x * g) for x in im.size), Image.LANCZOS) # resize with antialiasing
+
+
+    # model.iou = iou
+    
+    # model.conf = conf
+
+   
+    # results2 = model(im)  # inference
+    # #print(type(results2))
+
+    source = Image.open(im)
+    model = YOLODetect(modelo_yolo)
+    # perform inference
+    results = model.predecir(source)
+
+    result_json = model.to_json()
+    print(result_json)
+    result_df = model.to_dataframe()
+    print(result_df)
+    result_img = model.show()
+   
+    # results2.render()  # updates results.imgs with boxes and labels
+    
+    # results_detail = str(results2)
+    # lista = listJSON(results_detail)
+    # lista2 = arrayLista(results_detail)
+    # return Image.fromarray(results2.ims[0]), lista2, lista
+    return result_img, result_df, result_json
+    
+#------------ Interface-------------
+
+
+
+in1 = gr.Radio(['640', '1280'], label="Tamaño de la imagen", type='value')
+in2 = gr.Slider(minimum=0, maximum=1, step=0.05, label='NMS IoU threshold')
+in3 = gr.Slider(minimum=0, maximum=1, step=0.05, label='Umbral o  threshold')
+in4 = gr.Image(type='pil', label="Original Image")
+
+out2 = gr.Image(type="pil", label="YOLOv5")
+out3 = gr.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
+out4 = gr.JSON(label="JSON")
+#-------------- Text-----
+title = 'Trampas Barceló'
+description = """
+<p>
+<center>
+Sistemas de Desarrollado por Subsecretaría de Modernización del Municipio de Vicente López. Advertencia solo usar fotos provenientes de las trampas Barceló, no de celular o foto de internet.
+<img src="https://www.vicentelopez.gov.ar/assets/images/logo-mvl.png" alt="logo" width="250"/>
+</center>
+</p>
+"""
+article ="<p style='text-align: center'><a href='https://docs.google.com/presentation/d/1T5CdcLSzgRe8cQpoi_sPB4U170551NGOrZNykcJD0xU/edit?usp=sharing' target='_blank'>Para mas info, clik para ir al white paper</a></p><p style='text-align: center'><a href='https://drive.google.com/drive/folders/1owACN3HGIMo4zm2GQ_jf-OhGNeBVRS7l?usp=sharing ' target='_blank'>Google Colab Demo</a></p><p style='text-align: center'><a href='https://github.com/Municipalidad-de-Vicente-Lopez/Trampa_Barcelo' target='_blank'>Repo Github</a></p></center></p>"
+          
+examples = [['640',0.45, 0.75,'ejemplo1.jpg'], ['640',0.45, 0.75,'ejemplo2.jpg']]
+
+iface = gr.Interface(yolo, 
+                    inputs=[in1, in2, in3, in4], 
+                    outputs=[out2,out3,out4], title=title, 
+					description=description, 
+					article=article, 
+					examples=examples, 
+					analytics_enabled=False, 
+					allow_flagging="manual",
+					flagging_options=["Correcto", "Incorrecto", "Casi correcto", "Error", "Otro"],
+					#flagging_callback=hf_writer
+                    )
+					
+iface.launch(debug=True)
+
+"""For YOLOv5 PyTorch Hub inference with **PIL**, **OpenCV**, **Numpy** or **PyTorch** inputs please see the full [YOLOv5 PyTorch Hub Tutorial](https://github.com/ultralytics/yolov5/issues/36).
+## Citation
+[![DOI](https://zenodo.org/badge/264818686.svg)](https://zenodo.org/badge/latestdoi/264818686)
+"""

requirements.txt

@@ -0,0 +1,32 @@
+# pip install -r requirements.txt
+# base ----------------------------------------
+ultralytics==8.1.0
+ultralyticsplus==0.1.0
+#gitpython>=3.1.30
+gradio
+IPython
+matplotlib>=3.2.2
+numpy>=1.18.5
+opencv-python-headless
+pillow
+psutil
+PyYAML>=5.3.1
+scipy>=1.4.1
+torch>=1.7.0
+torchvision>=0.8.1
+tqdm>=4.41.0
+# logging -------------------------------------
+tensorboard>=2.4.1
+# wandb
+# plotting ------------------------------------
+seaborn>=0.11.0
+pandas
+# export --------------------------------------
+# coremltools>=4.1
+# onnx>=1.9.0
+# scikit-learn==0.19.2  # for coreml quantization
+# extras --------------------------------------
+# Cython  # for pycocotools https://github.com/cocodataset/cocoapi/issues/172
+# pycocotools>=2.0  # COCO mAP
+# albumentations>=1.0.3
+thop  # FLOPs computation