Detector app demo

app.py

@@ -0,0 +1,56 @@
+import gradio as gr
+import cv2
+
+from ultralytics import YOLO
+
+#Cargar modelo entrenado
+model = YOLO('best.pt')
+
+#Definir funcion que ejecuta la interfaz definida (en este caso es solo una interfaz, pero pueden ser algunas)
+#La interfaz solo recibe una entrada (La imagen ingresada en el cargador de path de imagenes), por lo
+# q ue solo se define un parametro de entrada en la funcion.
+def show_results(loaded_image):
+    #Se generan las salidas (detecciones) pidiendo al modelo que prediga a partir de la imagen de entrada
+    outputs = model.predict(source=loaded_image)
+    results = outputs[0].cpu().numpy()
+    #Se carga la imagen usando openCV para poder editarla
+    image = cv2.imread(loaded_image)
+    #Se recorre cada boundingBox detectado y para cada uno se pinta un rectangulo y se escribe un id.
+    for i, det in enumerate(results.boxes.xyxy):
+        cv2.rectangle(image,
+                      (int(det[0]), int(det[1])),
+                      (int(det[2]), int(det[3])),
+                      color=(0, 0, 255),
+                      thickness=2,
+                      lineType=cv2.LINE_AA
+                     )
+        cv2.putText(image,
+                    text =f"id:{i}",
+                    org=(int(det[0]), int(det[1])),
+                    fontFace =cv2.FONT_HERSHEY_SIMPLEX,
+                    fontScale=1,
+                    color=(0,0,255),
+                    thickness=1,
+                    lineType=cv2.LINE_AA
+                   )
+    #Se retornan las 2 salidas definidas(imagen y texto): la imagen resultante (image) y un texto indicando cuantos boundingBox se encontraron
+    return cv2.cvtColor(image, cv2.COLOR_BGR2RGB), len(results.boxes)
+
+
+inputs = [gr.components.Image(type="filepath", label="Input Image"),
+         ]
+outputs= [gr.components.Image(type="numpy", label="Output Image"),
+          gr.Textbox(label="Total:")
+         ]
+#examples  = [['demo1.png'], ['demo2.jpg'], ['demo3.jpg'], ['demo4.png']]
+
+interface = gr.Interface(fn=show_results, 
+                         inputs=inputs,
+                         outputs=outputs,
+                         title="Object Detection",
+                         #En la interfaz se pueden incluir ejemplos de lo que se espera como entrada o entradas. En este caso,
+                         # la entrada es una imagen por lo que se pueden poner imagenes de ejemplo (deben estar subidas en el repositorio
+                         # y con el path correctamente referenciado)
+                         #examples=examples,
+                        )
+interface.launch()

requirements.txt

@@ -0,0 +1,47 @@
+# Ultralytics requirements
+# Usage: pip install -r requirements.txt
+
+# Base ----------------------------------------
+hydra-core>=1.2.0
+matplotlib>=3.2.2
+numpy>=1.18.5
+opencv-python>=4.1.1
+Pillow>=7.1.2
+PyYAML>=5.3.1
+requests>=2.23.0
+scipy>=1.4.1
+torch>=1.7.0
+torchvision>=0.8.1
+tqdm>=4.64.0
+ultralytics
+
+# Logging -------------------------------------
+tensorboard>=2.4.1
+# clearml
+# comet
+
+# Plotting ------------------------------------
+pandas>=1.1.4
+seaborn>=0.11.0
+
+# Export --------------------------------------
+# coremltools>=6.0  # CoreML export
+# onnx>=1.12.0  # ONNX export
+# onnx-simplifier>=0.4.1  # ONNX simplifier
+# nvidia-pyindex  # TensorRT export
+# nvidia-tensorrt  # TensorRT export
+# scikit-learn==0.19.2  # CoreML quantization
+# tensorflow>=2.4.1  # TF exports (-cpu, -aarch64, -macos)
+# tensorflowjs>=3.9.0  # TF.js export
+# openvino-dev  # OpenVINO export
+
+# Extras --------------------------------------
+ipython  # interactive notebook
+psutil  # system utilization
+thop>=0.1.1  # FLOPs computation
+# albumentations>=1.0.3
+# pycocotools>=2.0.6  # COCO mAP
+# roboflow
+
+# HUB -----------------------------------------
+GitPython>=3.1.24