Spaces:
Sleeping
Sleeping
Commit
•
42187ef
1
Parent(s):
8ff90d5
cargando app y req
Browse files- app.py +103 -0
- requirements.txt +7 -0
app.py
ADDED
@@ -0,0 +1,103 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
import streamlit as st
|
2 |
+
from PIL import Image
|
3 |
+
import numpy as np
|
4 |
+
import cv2
|
5 |
+
from huggingface_hub import from_pretrained_keras
|
6 |
+
|
7 |
+
st.header("X-ray segmentation of teeth / Segmentación de dientes con rayos X")
|
8 |
+
st.subheader("Iteration to improve demo / Iteración para mejorar la demo")
|
9 |
+
|
10 |
+
st.markdown(
|
11 |
+
"""
|
12 |
+
Demo for Platzi class / Demo para la clase de Platzi
|
13 |
+
"""
|
14 |
+
)
|
15 |
+
|
16 |
+
## Seleccionamos y cargamos el modelo
|
17 |
+
model_id = "SerdarHelli/Segmentation-of-Teeth-in-Panoramic-X-ray-Image-Using-U-Net"
|
18 |
+
model = from_pretrained_keras(model_id)
|
19 |
+
|
20 |
+
## Permitimos a la usuaria cargar una imagen
|
21 |
+
image_file = st.file_uploader("Upload your image here / Sube aquí tu imagen", type=["png", "jpg", "jpeg"])
|
22 |
+
|
23 |
+
## Si una imagen tiene más de un canal entonces se convierte a escala de grises (1 canal)
|
24 |
+
def convert_one_channel(img):
|
25 |
+
if len(img.shape) > 2:
|
26 |
+
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
27 |
+
return img
|
28 |
+
else:
|
29 |
+
return img
|
30 |
+
|
31 |
+
def convertir_rgb(img):
|
32 |
+
if len(img.shape) == 2:
|
33 |
+
img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB)
|
34 |
+
return img
|
35 |
+
else:
|
36 |
+
return img
|
37 |
+
|
38 |
+
|
39 |
+
## Manipularemos la interfaz para que podamos usar imágenes ejemplo
|
40 |
+
## Si el usuario da click en un ejemplo entonces el modelo correrá con él
|
41 |
+
examples = ["teeth_1.png", "teeth_2.png", "teeth_3.png"]
|
42 |
+
|
43 |
+
## Creamos tres columnas; en cada una estará una imagen ejemplo
|
44 |
+
col1, col2, col3 = st.columns(3)
|
45 |
+
with col1:
|
46 |
+
## Se carga la imagen y se muestra en la interfaz
|
47 |
+
ex = Image.open(examples[0])
|
48 |
+
st.image(ex, width=200)
|
49 |
+
## Si oprime el botón entonces usaremos ese ejemplo en el modelo
|
50 |
+
if st.button("Run example 1 / Corre ejemplo 1"):
|
51 |
+
image_file = examples[0]
|
52 |
+
|
53 |
+
with col2:
|
54 |
+
ex1 = Image.open(examples[1])
|
55 |
+
st.image(ex1, width=200)
|
56 |
+
if st.button("Run example 2 / Corre ejemplo 2"):
|
57 |
+
image_file = examples[1]
|
58 |
+
|
59 |
+
with col3:
|
60 |
+
ex2 = Image.open(examples[2])
|
61 |
+
st.image(ex2, width=200)
|
62 |
+
if st.button("Run example 3 / Corre ejemplo 3"):
|
63 |
+
image_file = examples[2]
|
64 |
+
|
65 |
+
## Si tenemos una imagen para ingresar en el modelo entonces
|
66 |
+
## la procesamos e ingresamos al modelo
|
67 |
+
if image_file is not None:
|
68 |
+
## Cargamos la imagen con PIL, la mostramos y la convertimos a un array de NumPy
|
69 |
+
img = Image.open(image_file)
|
70 |
+
st.image(img, width=850)
|
71 |
+
img = np.asarray(img)
|
72 |
+
|
73 |
+
## Procesamos la imagen para ingresarla al modelo
|
74 |
+
img_cv = convert_one_channel(img)
|
75 |
+
img_cv = cv2.resize(img_cv, (512, 512), interpolation=cv2.INTER_LANCZOS4)
|
76 |
+
img_cv = np.float32(img_cv / 255)
|
77 |
+
img_cv = np.reshape(img_cv, (1, 512, 512, 1))
|
78 |
+
|
79 |
+
## Ingresamos el array de NumPy al modelo
|
80 |
+
predicted = model.predict(img_cv)
|
81 |
+
predicted = predicted[0]
|
82 |
+
|
83 |
+
## Regresamos la imagen a su forma original y agregamos las máscaras de la segmentación
|
84 |
+
predicted = cv2.resize(
|
85 |
+
predicted, (img.shape[1], img.shape[0]), interpolation=cv2.INTER_LANCZOS4
|
86 |
+
)
|
87 |
+
mask = np.uint8(predicted * 255) #
|
88 |
+
_, mask = cv2.threshold(
|
89 |
+
mask, thresh=0, maxval=255, type=cv2.THRESH_BINARY + cv2.THRESH_OTSU
|
90 |
+
)
|
91 |
+
kernel = np.ones((5, 5), dtype=np.float32)
|
92 |
+
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
|
93 |
+
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=1)
|
94 |
+
cnts, hieararch = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
|
95 |
+
output = cv2.drawContours(convert_one_channel(img.astype(np.uint8)), cnts, -1, (255, 0, 0), 3)
|
96 |
+
|
97 |
+
## Si obtuvimos exitosamente un resultadod entonces lo mostramos en la interfaz
|
98 |
+
if output is not None:
|
99 |
+
st.subheader("Segmentation / Segmentación:")
|
100 |
+
st.write(output.shape)
|
101 |
+
st.image(output, width=850)
|
102 |
+
|
103 |
+
st.markdown("Thanks for use our demo! / Gracias por usar esta demo")
|
requirements.txt
ADDED
@@ -0,0 +1,7 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
numpy
|
2 |
+
Pillow
|
3 |
+
scipy
|
4 |
+
opencv-python
|
5 |
+
tensorflow
|
6 |
+
streamlit
|
7 |
+
huggingface_hub
|