Update app.py
Browse files
app.py
CHANGED
@@ -1,7 +1,3 @@
|
|
1 |
-
# preprocess.py
|
2 |
-
# (No changes in this file)
|
3 |
-
|
4 |
-
# main.py
|
5 |
import os
|
6 |
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
|
7 |
|
@@ -9,31 +5,22 @@ import gradio as gr
|
|
9 |
import torch
|
10 |
import cv2
|
11 |
import numpy as np
|
12 |
-
import time
|
13 |
-
from gradio.components import Label, Image, Dropdown
|
14 |
-
|
15 |
-
# Add the missing 'unsharp_masking' function from preprocess.py
|
16 |
from preprocess import unsharp_masking
|
17 |
-
|
18 |
-
|
19 |
-
models = {
|
20 |
-
'SE-RegUNet 4GF': torch.jit.load('./model/SERegUNet4GF.pt'),
|
21 |
-
'SE-RegUNet 16GF': torch.jit.load('./model/SERegUNet16GF.pt'),
|
22 |
-
'AngioNet': torch.jit.load('./model/AngioNet.pt'),
|
23 |
-
'EffUNet++ B5': torch.jit.load('./model/EffUNetppb5.pt'),
|
24 |
-
'Reg-SA-UNet++': torch.jit.load('./model/RegSAUnetpp.pt'),
|
25 |
-
'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
|
26 |
-
}
|
27 |
|
28 |
device = "cuda" if torch.cuda.is_available() else "cpu"
|
29 |
|
30 |
-
|
31 |
-
|
32 |
-
|
33 |
-
|
|
|
|
|
|
|
34 |
h, w = img.shape
|
35 |
img_out = preprocessamento(img, modelo)
|
36 |
-
return img_out, h, w, img
|
37 |
|
38 |
def preprocessamento(img, modelo='SE-RegUNet 4GF'):
|
39 |
img = cv2.resize(img, (512, 512))
|
@@ -57,11 +44,11 @@ def preprocessamento(img, modelo='SE-RegUNet 4GF'):
|
|
57 |
img_out = np.stack((image1,) * 3, axis=0)
|
58 |
return img_out
|
59 |
|
60 |
-
def
|
61 |
-
|
62 |
-
pipe =
|
63 |
start = time.time()
|
64 |
-
img, h, w, ori_gray =
|
65 |
img = torch.FloatTensor(img).unsqueeze(0).to(device)
|
66 |
with torch.no_grad():
|
67 |
if modelo == 'AngioNet':
|
@@ -74,33 +61,42 @@ def process_image(img, modelo):
|
|
74 |
logit = cv2.resize(logit, (h, w))
|
75 |
|
76 |
logit = logit.astype(bool)
|
77 |
-
img_out =
|
78 |
-
img_out[logit] =
|
79 |
-
|
80 |
-
return spent, img_out, detect_disease(logit)
|
81 |
|
82 |
-
|
83 |
-
|
84 |
-
|
85 |
-
|
86 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
87 |
|
88 |
my_app = gr.Interface(
|
89 |
-
fn=
|
90 |
inputs=[
|
91 |
-
Image(label="Angiograma:", shape=(512, 512)),
|
92 |
-
Dropdown(['SE-RegUNet 4GF', 'SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
|
93 |
],
|
94 |
outputs=[
|
95 |
-
Label(label="Tempo decorrido"),
|
96 |
-
Image(label="Imagem de Saída"),
|
97 |
-
Label(label="Status da Doença"),
|
98 |
],
|
99 |
title="Segmentação de Angiograma Coronariano",
|
100 |
-
description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados. Faça o upload de uma imagem de angiograma e selecione um modelo para visualizar o resultado da segmentação.\n\nSelecione uma imagem de angiograma coronariano e um modelo de segmentação no painel à esquerda
|
101 |
theme="default",
|
102 |
-
|
103 |
-
|
104 |
)
|
105 |
|
106 |
-
my_app.launch()
|
|
|
|
|
|
|
|
|
|
|
1 |
import os
|
2 |
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
|
3 |
|
|
|
5 |
import torch
|
6 |
import cv2
|
7 |
import numpy as np
|
|
|
|
|
|
|
|
|
8 |
from preprocess import unsharp_masking
|
9 |
+
import glob
|
10 |
+
import time
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
11 |
|
12 |
device = "cuda" if torch.cuda.is_available() else "cpu"
|
13 |
|
14 |
+
print(
|
15 |
+
"torch: ", torch.__version__,
|
16 |
+
)
|
17 |
+
|
18 |
+
def ordenar_arquivos(img, modelo):
|
19 |
+
ori = img.copy()
|
20 |
+
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
21 |
h, w = img.shape
|
22 |
img_out = preprocessamento(img, modelo)
|
23 |
+
return img_out, h, w, img, ori
|
24 |
|
25 |
def preprocessamento(img, modelo='SE-RegUNet 4GF'):
|
26 |
img = cv2.resize(img, (512, 512))
|
|
|
44 |
img_out = np.stack((image1,) * 3, axis=0)
|
45 |
return img_out
|
46 |
|
47 |
+
def processar_imagem_de_entrada(img, modelo, pipe):
|
48 |
+
img = img.copy()
|
49 |
+
pipe = pipe.to(device).eval()
|
50 |
start = time.time()
|
51 |
+
img, h, w, ori_gray, ori = ordenar_arquivos(img, modelo)
|
52 |
img = torch.FloatTensor(img).unsqueeze(0).to(device)
|
53 |
with torch.no_grad():
|
54 |
if modelo == 'AngioNet':
|
|
|
61 |
logit = cv2.resize(logit, (h, w))
|
62 |
|
63 |
logit = logit.astype(bool)
|
64 |
+
img_out = ori.copy()
|
65 |
+
img_out[logit, 0] = 255
|
66 |
+
return spent, img_out
|
|
|
67 |
|
68 |
+
# Load the models outside the function
|
69 |
+
models = {
|
70 |
+
'SE-RegUNet 4GF': torch.jit.load('./model/SERegUNet4GF.pt'),
|
71 |
+
'SE-RegUNet 16GF': torch.jit.load('./model/SERegUNet16GF.pt'),
|
72 |
+
'AngioNet': torch.jit.load('./model/AngioNet.pt'),
|
73 |
+
'EffUNet++ B5': torch.jit.load('./model/EffUNetppb5.pt'),
|
74 |
+
'Reg-SA-UNet++': torch.jit.load('./model/RegSAUnetpp.pt'),
|
75 |
+
'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
|
76 |
+
}
|
77 |
+
|
78 |
+
for model_name, model in models.items():
|
79 |
+
models[model_name] = model.to(device).eval()
|
80 |
+
|
81 |
+
def processar_imagem_de_entrada_wrapper(img, modelo):
|
82 |
+
model = models[modelo]
|
83 |
+
return processar_imagem_de_entrada(img, modelo, model)
|
84 |
|
85 |
my_app = gr.Interface(
|
86 |
+
fn=processar_imagem_de_entrada_wrapper,
|
87 |
inputs=[
|
88 |
+
gr.inputs.Image(label="Angiograma:", shape=(512, 512)),
|
89 |
+
gr.inputs.Dropdown(['SE-RegUNet 4GF', 'SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
|
90 |
],
|
91 |
outputs=[
|
92 |
+
gr.outputs.Label(label="Tempo decorrido"),
|
93 |
+
gr.outputs.Image(type="numpy", label="Imagem de Saída"),
|
|
|
94 |
],
|
95 |
title="Segmentação de Angiograma Coronariano",
|
96 |
+
description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados. Faça o upload de uma imagem de angiograma e selecione um modelo para visualizar o resultado da segmentação.\n\nSelecione uma imagem de angiograma coronariano e um modelo de segmentação no painel à esquerda.",
|
97 |
theme="default",
|
98 |
+
layout="vertical",
|
99 |
+
allow_flagging=False,
|
100 |
)
|
101 |
|
102 |
+
my_app.launch()
|