# -*- 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 detección 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 ejecución de GPU ---------------------------------------------------------------------- YOLOv5 Gradio demo *Author: Ultralytics LLC and Gradio* # Código """ #!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://huggingface.co/spaces/Municipalidad-de-Vicente-Lopez/Trampas_Barcelo/resolve/main/2024-03-11T10-50-27.jpg', 'ejemplo1.jpg') torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee05624d5477ffcf2d34ca77b47d1.jpg', 'ejemplo2.jpg') # model = torch.hub.load('ultralytics/yolov9', 'custom', path='best.pt', force_reload=True, autoshape=True, trust_repo=True) model = torch.hub.load('yolov9', 'custom', path='best.pt', source='local', force_reload=True, autoshape=True) # load on CPU #HF_TOKEN = os.getenv("ZIKA_TOKEN_WRITE") #hf_writer = gr.HuggingFaceDatasetSaver(HF_TOKEN, "demo-iazika-flags") 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.LANCZOS) # resize with antialiasing 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="Tamaño de la imagen", default='640', type='value') in2 = gr.inputs.Slider(minimum=0, maximum=1, step=0.05, default=0.25, 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="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas") out4 = gr.outputs.JSON(label="JSON") #-------------- Text----- title = 'Trampas Barceló' description = '