Update app.py

app.py

@@ -34,70 +34,73 @@ torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee056
 model = torch.hub.load('/content/proyecto/yolov9', 'custom', path='/content/proyecto/best.pt', source='local', force_reload=True, autoshape=True)
 #model = torch.hub.load('yolov9', 'custom', path='best.pt', source='local', force_reload=True, autoshape=True)  # load on CPU
 
-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 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
-    
+    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
+    resultado_lista = getQuantity(resultado)
+    df = pd.DataFrame(resultado_lista,columns=['Cantidad','Especie'])
+    return df
 
 def yolo(size, iou, conf, im):
-    try:
-        print(f"1 {im}")
-        im = Image.open(im)
-        im = np.asarray(im, dtype=np.float32)
-        #print(f"1 {im} {im.size}")
-        '''Wrapper fn for gradio'''
-        #g = (int(size) / max(im.size))  # gain
-        #print(f"2 {g}")
-        #im = im.resize((int(x * g) for x in im.size), Image.LANCZOS) # resize with antialiasing
-        print(f"3 {type(im)}")
-        model.iou = iou
-        print("4")
-        model.conf = conf
-        print("5")
-        results2 = model(im)  # inference
-        print("6")
-        results2.render()  # updates results.imgs with boxes and labels
-        print(f"Resultado luego de render: {results2}")
-    
-        results_detail = str(results2)
-        lista = listJSON(results_detail)
-        lista2 = arrayLista(results_detail)
-        return Image.fromarray(results2.ims[0]), lista2, lista
-    except Exception as err:
-        print(err)
-        return "", "", ""
-    
+    print(f"1 {im}")
+    im = Image.open(im)
+    
+    #print(f"1 {im} {im.size}")
+    '''Wrapper fn for gradio'''
+    g = (int(size) / max(im.size)) # gain
+    #print(f"2 {g}")
+    #im = im.resize((int(x * g) for x in im.size), Image.LANCZOS) # resize with antialiasing
+    new_width, new_height = im.size # Unpack width and height from im.size
+    
+    # Calculate new dimensions using gain
+    new_width = int(new_width * g)
+    new_height = int(new_height * g)
+    
+    # Resize the image using the calculated dimensions
+    im = im.resize((new_width, new_height), Image.LANCZOS)
+    im = np.asarray(im, dtype=np.float32)
+    
+    print(f"3 {type(im)}")
+    model.iou = iou
+    print("4")
+    model.conf = conf
+    print("5")
+    results2 = model(im) # inference
+    print("6")
+    results2.render() # updates results.imgs with boxes and labels
+    print(f"Resultado luego de render: {results2}")
+    
+    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="Tamaño de la imagen", default='640', type='value')
@@ -106,7 +109,7 @@ in3 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.50, label='Umb
 in4 = gr.inputs.Image(type='filepath', label="Original Image")
 
 out2 = gr.outputs.Image(type="pil", label="YOLOv9")
-out3 = gr.outputs.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")  
+out3 = gr.outputs.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")
 out4 = gr.outputs.JSON(label="JSON")
 #-------------- Text-----
 title = 'Trampas Barceló'
@@ -119,21 +122,21 @@ Sistemas de Desarrollado por Subsecretaría de Modernización del Municipio de V
 </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',0.25, 0.5,'ejemplo1.jpg'], ['640',0.25, 0.5,'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 = 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(server_name="0.0.0.0", server_port=7860, enable_queue=True, 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