Hugging Face's logo

Spaces:
AllAideas
/
demoIAZIKA
Running

App Files Community
demoIAZIKA
File size: 6,385 Bytes 
e1763bc
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a7ef9bd
 
 
e1763bc
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a7ef9bd
 
 
 
 
 
 
 
 
f6ab409
 
 
a7ef9bd
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e1763bc
 
 
 
 
 
 
 
 
 
 
 
 
 
a7ef9bd
 
 
 
 
 
e1763bc
 
 
 
 
 
 
 
 
 
a7ef9bd
 
e1763bc
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a7ef9bd
e1763bc
 
 
 
a7ef9bd
 
e1763bc
 
 
 
 
 
 
 
 
 
 
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
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
 
# -*- 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 detecci贸n 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 ejecuci贸n de GPU


----------------------------------------------------------------------

 YOLOv5 Gradio demo

*Author: Ultralytics LLC and Gradio*

# C贸digo
"""

#!pip install -qr https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt gradio # install dependencies

import os
import re
import json
import pandas as pd
import gradio as gr
import torch
from PIL import Image

# 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
#model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # force_reload=True to update

#model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt')  # local model  o google colab
model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True, autoshape=True)  # local model  o google colab
#model = torch.hub.load('path/to/yolov5', 'custom', path='/content/yolov56.pt', source='local')  # local repo

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.ANTIALIAS)  # resize

    model.iou = iou
    
    model.conf = conf

   
    results2 = model(im)  # inference
   
    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
    
#------------ Interface-------------



in1 = gr.inputs.Radio(['640', '1280'], label="Tama帽o de la imagen", default='640', type='value')
in2 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.45, label='NMS IoU threshold')
in3 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.50, label='Umbral o  threshold')
in4 = gr.inputs.Image(type='pil', label="Original Image")

out2 = gr.outputs.Image(type="pil", label="YOLOv5")
out3 = gr.outputs.Dataframe(label="Descripci贸n", headers=['Cantidad','Especie'])  
out4 = gr.outputs.JSON(label="JSON")
#-------------- Text-----
title = 'Trampas Barcel贸'
description = """
<p>
<center>
Sistemas de Desarrollado por Subsecretar铆a de Innovaci贸n del Municipio de Vicente L贸pez. Advertencia solo usar fotos provenientes de las trampas Barcel贸, 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,
                        theme="huggingface", 
                        analytics_enabled=False
                        ).launch(debug=True)

iface.launch()

"""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)
"""