Update app.py

app.py

@@ -1,118 +1,111 @@
-import cv2
-import torch
-from PIL import Image, ImageDraw
-import gradio as gr
-import numpy as np
-import pandas as pd
+import cv2  # مكتبة للتعامل مع الفيديو والصور
+import torch  # مكتبة للتعلم العميق
+from PIL import Image, ImageDraw  # مكتبة لتحرير الصور
+import gradio as gr  # مكتبة لإنشاء واجهات تفاعلية
+import pandas as pd  # مكتبة للتعامل مع البيانات
+from transformers import pipeline  # مكتبة للترجمة
 
-# Load the YOLOv5 model
-model = torch.hub.load('ultralytics/yolov5', 'yolov5s')  # Load the small YOLOv5 model
+# تحميل نموذج YOLOv5 من مكتبة ultralytics
+model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
 
-# Define a function to detect objects and draw bounding boxes for images
+# تحميل نموذج الترجمة من الإنجليزية إلى العربية
+translator = pipeline("translation_en_to_ar", model="Helsinki-NLP/opus-mt-en-ar")
+
+# دالة لاكتشاف الكائنات ورسم الإطارات في الصور
 def detect_and_draw_image(input_image):
-    results = model(input_image)
-    detections = results.xyxy[0].numpy()  # Get detections
-
-    draw = ImageDraw.Draw(input_image)
-    
-    counts = {}
-    for detection in detections:
-        xmin, ymin, xmax, ymax, conf, class_id = detection
-        
-        # Update counts for each label
-        label = model.names[int(class_id)]
-        counts[label] = counts.get(label, 0) + 1
-
-        # Draw the bounding box
-        draw.rectangle([(xmin, ymin), (xmax, ymax)], outline="red", width=2)
-        # Draw the label and score
-        draw.text((xmin, ymin), f"{label}: {conf:.2f}", fill="white")
-
-    # Create DataFrame
+    results = model(input_image)  # تنفيذ الكشف عن الكائنات
+    detections = results.xyxy[0].numpy()  # الحصول على النتائج كـ مصفوفة NumPy
+
+    draw = ImageDraw.Draw(input_image)  # إنشاء كائن للرسم على الصورة
+
+    counts = {}  # قاموس لتخزين عدد الكائنات
+    for detection in detections:  # معالجة كل كشف
+        xmin, ymin, xmax, ymax, conf, class_id = detection  # استخراج معلومات الكشف
+        label = model.names[int(class_id)]  # الحصول على اسم الكائن
+        counts[label] = counts.get(label, 0) + 1  # تحديث عدد الكائنات
+
+        draw.rectangle([(xmin, ymin), (xmax, ymax)], outline="red", width=2)  # رسم الإطار
+        draw.text((xmin, ymin), f"{label}: {conf:.2f}", fill="white")  # كتابة التسمية والنسبة
+
+    # ترجمة التسميات إلى العربية
+    translated_labels = translator(list(counts.keys()))
+
+    # إنشاء DataFrame لتخزين النتائج
     df = pd.DataFrame({
-        'label': list(counts.keys()),
-        'counts': list(counts.values())
+        'Label (English)': list(counts.keys()),
+        'Label (Arabic)': [t['translation_text'] for t in translated_labels],
+        'Object Count': list(counts.values())
     })
 
-    return input_image, df  # Return modified image and DataFrame
+    return input_image, df  # إرجاع الصورة المعدلة وDataFrame
 
-# Define a function to detect objects and draw bounding boxes for videos
+# دالة لاكتشاف الكائنات ورسم الإطارات في الفيديو
 def detect_and_draw_video(video_path):
-    cap = cv2.VideoCapture(video_path)
-    frames = []
-    frame_shape = None
-    overall_counts = {}
-
-    while cap.isOpened():
-        ret, frame = cap.read()
-        if not ret:
-            break
+    cap = cv2.VideoCapture(video_path)  # فتح الفيديو
+    frames = []  # قائمة لتخزين الإطارات
+    overall_counts = {}  # قاموس لتخزين عدد الكائنات الإجمالية
 
-        # Resize frame for faster processing
-        frame = cv2.resize(frame, (640, 480))  # Resize to 640x480
+    while cap.isOpened():  # معالجة كل إطار حتى نهاية الفيديو
+        ret, frame = cap.read()  # قراءة الإطار
+        if not ret:  # إذا لم يتم قراءة الإطار، الخروج من الحلقة
+            break
 
-        # Perform detection
-        results = model(frame)
-        detections = results.xyxy[0].numpy()  # Get detections
+        frame = cv2.resize(frame, (640, 480))  # تغيير حجم الإطار لتسهيل المعالجة
+        results = model(frame)  # تنفيذ الكشف عن الكائنات
+        detections = results.xyxy[0].numpy()  # الحصول على النتائج
 
-        for detection in detections:
+        for detection in detections:  # معالجة كل كشف
             xmin, ymin, xmax, ymax, conf, class_id = detection
-            
-            # Update counts for each label
-            label = model.names[int(class_id)]
-            overall_counts[label] = overall_counts.get(label, 0) + 1
+            label = model.names[int(class_id)]  # الحصول على اسم الكائن
+            overall_counts[label] = overall_counts.get(label, 0) + 1  # تحديث عدد الكائنات
 
-            # Draw the bounding box
+            # رسم الإطار والنص على الفيديو
             cv2.rectangle(frame, (int(xmin), int(ymin)), (int(xmax), int(ymax)), (255, 0, 0), 2)
-            # Draw the label and score
-            cv2.putText(frame, f"{label}: {conf:.2f}", (int(xmin), int(ymin) - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
+            cv2.putText(frame, f"{label}: {conf:.2f}", (int(xmin), int(ymin) - 10), 
+                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
 
-        frames.append(frame)
+        frames.append(frame)  # إضافة الإطار إلى القائمة
 
-        # Store the shape of the first valid frame
-        if frame_shape is None:
-            frame_shape = frame.shape[1], frame.shape[0]
+    cap.release()  # إغلاق الفيديو
 
-    cap.release()
-    
-    if frame_shape is None:  # Check if any frames were processed
-        return None, None  # Handle no frames case gracefully
+    output_path = 'output.mp4'  # مسار الفيديو الناتج
+    out = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*'mp4v'), 20.0, (640, 480))  # إنشاء كائن لكتابة الفيديو
 
-    # Create a temporary output video file
-    output_path = 'output.mp4'
-    out = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*'mp4v'), 20.0, frame_shape)
-
-    for frame in frames:
+    for frame in frames:  # كتابة الإطارات إلى ملف الفيديو
         out.write(frame)
-    out.release()
+    out.release()  # إغلاق ملف الفيديو
+
+    # ترجمة التسميات إلى العربية
+    translated_labels = translator(list(overall_counts.keys()))
 
-    # Create DataFrame for video results
+    # إنشاء DataFrame لتخزين النتائج
     df = pd.DataFrame({
-        'label': list(overall_counts.keys()),
-        'counts': list(overall_counts.values())
+        'Label (English)': list(overall_counts.keys()),
+        'Label (Arabic)': [t['translation_text'] for t in translated_labels],
+        'Object Count': list(overall_counts.values())
     })
 
-    return output_path, df  # Return path to the output video and DataFrame
+    return output_path, df  # إرجاع مسار الفيديو وDataFrame
 
-# Create separate interfaces for images and videos
+# إنشاء واجهات لتطبيق Gradio
 image_interface = gr.Interface(
-    fn=detect_and_draw_image,
-    inputs=gr.Image(type="pil", label="Upload Image"),
-    outputs=[gr.Image(type="pil"), gr.Dataframe(label="Object Counts")],
-    title="Object Detection for Images",
-    description="Upload an image to see the objects detected by YOLOv5 with bounding boxes and their counts."
+    fn=detect_and_draw_image,  # الدالة الخاصة بمعالجة الصور
+    inputs=gr.Image(type="pil", label="Upload Image"),  # إدخال صورة
+    outputs=[gr.Image(type="pil"), gr.Dataframe(label="Object Counts")],  # إخراج الصورة وDataFrame
+    title="Object Detection for Images",  # عنوان الواجهة
+    description="Upload an image to see the objects detected by YOLOv5 with bounding boxes and their counts."  # وصف الواجهة
 )
 
 video_interface = gr.Interface(
-    fn=detect_and_draw_video,
-    inputs=gr.Video(label="Upload Video"),
-    outputs=[gr.Video(label="Processed Video"), gr.Dataframe(label="Object Counts")],
-    title="Object Detection for Videos",
-    description="Upload a video to see the objects detected by YOLOv5 with bounding boxes and their counts."
+    fn=detect_and_draw_video,  # الدالة الخاصة بمعالجة الفيديو
+    inputs=gr.Video(label="Upload Video"),  # إدخال فيديو
+    outputs=[gr.Video(label="Processed Video"), gr.Dataframe(label="Object Counts")],  # إخراج الفيديو وDataFrame
+    title="Object Detection for Videos",  # عنوان الواجهة
+    description="Upload a video to see the objects detected by YOLOv5 with bounding boxes and their counts."  # وصف الواجهة
 )
 
-# Combine interfaces into a single app
+# دمج الواجهات في تطبيق واحد
 app = gr.TabbedInterface([image_interface, video_interface], ["Image Detection", "Video Detection"])
 
-# Launch the app
-app.launch(debug=True)
+# تشغيل التطبيق
+app.launch(debug=True)  # إطلاق التطبيق مع تمكين وضع التصحيح