Update app.py

app.py

@@ -155,5 +155,164 @@ iface = gr.Interface(
     description="Sube una imagen para detectar estenosis."
 )
 
+if __name__ == "__main__":
+    iface.launch()
+import cv2
+import numpy as np
+import matplotlib.pyplot as plt
+from ultralytics import YOLO
+import gradio as gr
+from matplotlib.patches import Rectangle
+from matplotlib.legend import Legend
+
+# Cargar el modelo YOLO (asegúrate de que 'model.pt' esté en el mismo directorio)
+model = YOLO("model.pt")
+
+def process_image(image):
+    # Convertir la imagen de PIL a NumPy array y de RGB a BGR (PIL usa RGB, OpenCV usa BGR)
+    img_rgb = np.array(image)
+    img_bgr = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2BGR)
+
+    # Realizar inferencia en la imagen BGR
+    results = model.predict(source=img_bgr, save=False)
+
+    # Inicializar la lista para almacenar la información de las máscaras
+    mask_info_list = []
+
+    # Crear una imagen en blanco para las máscaras (en formato BGR)
+    mask_image = np.zeros_like(img_bgr, dtype=np.uint8)
+
+    # Inicializar la máscara acumulativa
+    cumulative_mask = np.zeros((img_bgr.shape[0], img_bgr.shape[1]), dtype=bool)
+
+    # Procesar resultados
+    for result in results:
+        # Verificar si se detectaron máscaras
+        if result.masks is not None and len(result.masks.data) > 0:
+            # Obtener las máscaras, las probabilidades y las clases
+            masks = result.masks.data.cpu().numpy()  # Shape: (num_masks, height, width)
+            confidences = result.boxes.conf.cpu().numpy()  # Probabilidades
+            classes = result.boxes.cls.cpu().numpy().astype(int)
+            names = model.names  # Nombres de las clases
+
+            # Normalizar las probabilidades al rango [0, 1]
+            confidences_norm = (confidences - confidences.min()) / (confidences.max() - confidences.min() + 1e-6)
+
+            # Redimensionar las máscaras para que coincidan con el tamaño de la imagen
+            resized_masks = []
+            for mask in masks:
+                mask_resized = cv2.resize(mask, (img_bgr.shape[1], img_bgr.shape[0]), interpolation=cv2.INTER_LINEAR)
+                resized_masks.append(mask_resized)
+            resized_masks = np.array(resized_masks)  # Shape: (num_masks, height, width)
+
+            # Aplicar suavizado a las máscaras
+            smoothed_masks = []
+            for mask in resized_masks:
+                # Convertir la máscara a escala de grises (valores entre 0 y 255)
+                mask_uint8 = (mask * 255).astype(np.uint8)
+                # Aplicar desenfoque gaussiano
+                blurred_mask = cv2.GaussianBlur(mask_uint8, (7, 7), 0)
+                # Normalizar y convertir de nuevo a rango [0, 1]
+                mask_smoothed = blurred_mask.astype(np.float32) / 255.0
+                smoothed_masks.append(mask_smoothed)
+            smoothed_masks = np.array(smoothed_masks)
+
+            # Ordenar las máscaras por probabilidad descendente
+            sorted_indices = np.argsort(-confidences)
+            sorted_masks = smoothed_masks[sorted_indices]
+            sorted_confidences = confidences[sorted_indices]
+            sorted_confidences_norm = confidences_norm[sorted_indices]
+            sorted_classes = classes[sorted_indices]
+
+            # Definir el mapa de colores (puedes cambiar a 'plasma', 'inferno', etc.)
+            colormap = plt.cm.get_cmap('viridis')  # Cambia 'viridis' por 'plasma' o 'inferno' si lo deseas
+
+            # Procesar cada máscara y asignar máscaras de mayor confianza primero
+            for idx_in_order, (idx, mask, conf_norm, conf, cls) in enumerate(
+                    zip(sorted_indices, sorted_masks, sorted_confidences_norm, sorted_confidences, sorted_classes)):
+                # Umbralizar la máscara para obtener valores binarios
+                mask_bool = mask > 0.5
+
+                # Restar la máscara acumulativa de la máscara actual para obtener la parte única
+                unique_mask = np.logical_and(mask_bool, np.logical_not(cumulative_mask))
+
+                # Actualizar la máscara acumulativa
+                cumulative_mask = np.logical_or(cumulative_mask, unique_mask)
+
+                # Si no hay píxeles únicos, continuar
+                if not np.any(unique_mask):
+                    continue
+
+                # Obtener el color del mapa de colores basado en la probabilidad normalizada
+                color_rgb = colormap(conf_norm)[:3]  # Color en formato RGB [0, 1]
+                color_rgb_255 = [int(c * 255) for c in color_rgb]  # Escalar a [0, 255]
+                color_bgr_255 = color_rgb_255[::-1]  # Convertir de RGB a BGR
+
+                # Almacenar la información de la máscara
+                mask_info = {
+                    'mask_index': idx,
+                    'class': names[cls],
+                    'confidence': conf,
+                    'color_rgb': color_rgb_255,
+                    'color_bgr': color_bgr_255
+                }
+                mask_info_list.append(mask_info)
+
+                # Asignar colores a los píxeles correspondientes en la imagen de máscaras
+                for i in range(3):
+                    mask_image[:, :, i][unique_mask] = color_bgr_255[i]
+
+            # Superponer la imagen de máscaras sobre la imagen original
+            alpha = 0.2  # Transparencia ajustada
+            img_with_masks = cv2.addWeighted(img_bgr.astype(np.float32), 1, mask_image.astype(np.float32), alpha, 0).astype(np.uint8)
+
+        else:
+            # Si no hay máscaras, usar la imagen original
+            img_with_masks = img_bgr.copy()
+            print("No se detectaron máscaras en esta imagen.")
+
+    # Convertir la imagen de BGR a RGB para matplotlib
+    img_with_masks_rgb = cv2.cvtColor(img_with_masks, cv2.COLOR_BGR2RGB)
+
+    # Crear una figura para mostrar la imagen y la leyenda
+    fig, ax = plt.subplots(figsize=(8, 8))
+    ax.imshow(img_with_masks_rgb)
+    ax.axis('off')
+
+    # Crear la leyenda si hay máscaras detectadas
+    if mask_info_list:
+        handles = []
+        labels = []
+        for mask_info in mask_info_list:
+            color_rgb_normalized = np.array(mask_info['color_rgb']) / 255  # Normalizar al rango [0, 1]
+            patch = Rectangle((0, 0), 1, 1, facecolor=color_rgb_normalized)
+            label = f"{mask_info['class']} - Confianza: {mask_info['confidence']:.2f}"
+            handles.append(patch)
+            labels.append(label)
+
+        # Añadir la leyenda al gráfico
+        legend = Legend(ax, handles, labels, loc='upper right')
+        ax.add_artist(legend)
+
+    plt.tight_layout()
+
+    # Convertir la figura a una imagen NumPy
+    fig.canvas.draw()
+    img_figure = np.frombuffer(fig.canvas.tostring_rgb(), dtype=np.uint8)
+    img_figure = img_figure.reshape(fig.canvas.get_width_height()[::-1] + (3,))
+
+    plt.close(fig)  # Cerrar la figura para liberar memoria
+
+    return img_figure
+
+# Crear la interfaz de Gradio
+iface = gr.Interface(
+    fn=process_image,
+    inputs=gr.Image(type="pil"),
+    outputs=gr.Image(type="numpy"),
+    title="Detección de Estenosis",
+    description="Sube una imagen para detectar estenosis."
+)
+
 if __name__ == "__main__":
     iface.launch()