app.py

import gradio as gr
import os
import tempfile
from roboflow import Roboflow
from dotenv import load_dotenv

# Muat variabel lingkungan dari file .env
load_dotenv()

# Ambil nilai dari environment variables
api_key = os.getenv("ROBOFLOW_API_KEY")
workspace = os.getenv("ROBOFLOW_WORKSPACE")
project_name = os.getenv("ROBOFLOW_PROJECT")
model_version = int(os.getenv("ROBOFLOW_MODEL_VERSION"))

# Inisialisasi Roboflow menggunakan data yang diambil dari .env
rf = Roboflow(api_key=api_key)
project = rf.workspace(workspace).project(project_name)
model = project.version(model_version).model

# Fungsi untuk menangani input dan output gambar
def detect_objects(image):
    # Simpan gambar yang diupload sebagai file sementara
    with tempfile.NamedTemporaryFile(delete=False, suffix=".jpg") as temp_file:
        image.save(temp_file, format="JPEG")
        temp_file_path = temp_file.name

    # Lakukan prediksi pada gambar
    predictions = model.predict(temp_file_path, confidence=60, overlap=80).json()
    
    # Menghitung jumlah objek per kelas
    class_count = {}
    total_count = 0  # Menyimpan total jumlah objek

    for prediction in predictions['predictions']:
        class_name = prediction['class']
        if class_name in class_count:
            class_count[class_name] += 1
        else:
            class_count[class_name] = 1
        total_count += 1  # Tambah jumlah objek untuk setiap prediksi

    # Menyusun output berupa string hasil perhitungan
    result_text = "Product Nestle\n\n"  # Tambahkan baris kosong setelah judul
    for class_name, count in class_count.items():
        result_text += f"{class_name}: {count} \n"
    
    result_text += f"\nTotal Product Nestle: {total_count}"  # Tambahkan baris kosong antara kategori dan total
    
    # Menyimpan gambar dengan prediksi
    output_image = model.predict(temp_file_path, confidence=60, overlap=80).save("/tmp/prediction.jpg")
    
    # Hapus file sementara setelah prediksi
    os.remove(temp_file_path)
    
    return "/tmp/prediction.jpg", result_text

# Membuat antarmuka Gradio dengan label yang telah diganti
iface = gr.Interface(
    fn=detect_objects,                         # Fungsi yang dipanggil saat gambar diupload
    inputs=gr.Image(type="pil", label="Input Image"),  # Ganti label input
    outputs=[gr.Image(label="Detect Object"), gr.Textbox(label="Counting Object")],  # Ganti label output
    live=True                                 # Menampilkan hasil secara langsung
)

# Membungkus input dan output dalam gr.Row() untuk layout berdampingan
iface.layout = gr.Row(
    iface.inputs,  # Input image component
    iface.outputs  # Output components (image and text)
)

# Menjalankan antarmuka
iface.launch()