import cv2 import numpy as np import matplotlib.pyplot as plt from ultralytics import YOLO import gradio as gr from matplotlib.patches import Patch # 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 una matriz para almacenar la máxima confianza por píxel max_confidence_map = np.zeros((img_bgr.shape[0], img_bgr.shape[1]), dtype=np.float32) # Definir el mapa de colores (puedes cambiar a 'plasma', 'inferno', etc.) colormap = plt.cm.get_cmap('tab20') # 'tab20' proporciona una variedad de colores distintivos # 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] # Asignar un color único a cada máscara utilizando el mapa de colores for idx_in_order, (mask, conf_norm, conf, cls) in enumerate( zip(sorted_masks, sorted_confidences_norm, sorted_confidences, sorted_classes)): # Obtener el color del mapa de colores color = colormap(idx_in_order % colormap.N)[:3] # Evitar exceder el número de colores disponibles color_rgb = [int(c * 255) for c in color] # Escalar a [0, 255] color_bgr = color_rgb[::-1] # Convertir de RGB a BGR # Umbralizar la máscara para obtener valores binarios mask_binary = mask > 0.5 # Obtener los píxeles donde la máscara actual tiene mayor confianza update_pixels = mask_binary & (sorted_confidences[idx_in_order] > max_confidence_map) # Actualizar la imagen de máscaras y el mapa de máxima confianza for i in range(3): mask_image[:, :, i][update_pixels] = color_bgr[i] max_confidence_map[update_pixels] = sorted_confidences[idx_in_order] # Almacenar la información de la máscara para la leyenda mask_info = { 'class': names[cls], 'confidence': sorted_confidences[idx_in_order], 'color_rgb': color_rgb } mask_info_list.append(mask_info) # Superponer la imagen de máscaras sobre la imagen original alpha = 0.4 # Transparencia ajustada (puedes ajustar este valor según tus preferencias) img_with_masks = cv2.addWeighted(img_bgr.astype(np.float32), 1, mask_image.astype(np.float32), alpha, 0).astype(np.uint8) # Convertir la imagen de BGR a RGB para matplotlib y Gradio 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=(10, 10)) ax.imshow(img_with_masks_rgb) ax.axis('off') # Crear la leyenda si hay máscaras detectadas if mask_info_list: handles = [] labels = [] # Para evitar duplicados en la leyenda (si hay múltiples máscaras de la misma clase) seen = set() for mask_info in mask_info_list: label = f"{mask_info['class']} - Confianza: {mask_info['confidence']:.2f}" if label not in seen: seen.add(label) color_rgb_normalized = np.array(mask_info['color_rgb']) / 255 # Normalizar al rango [0, 1] patch = Patch(facecolor=color_rgb_normalized) handles.append(patch) labels.append(label) # Añadir la leyenda al gráfico ax.legend(handles, labels, loc='upper right', bbox_to_anchor=(1.15, 1)) 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()