Update app.py

app.py

@@ -2,7 +2,7 @@ import streamlit as st
 import requests
 from transformers import DetrImageProcessor, DetrForObjectDetection
 import torch
-from PIL import Image
+from PIL import Image, ImageDraw
 
 # Fonction pour générer du texte avec Gemini
 def generate_text_with_gemini(api_key, prompt):
@@ -36,7 +36,7 @@ def generate_text_with_gemini(api_key, prompt):
     
     return response.status_code, response_json
 
-# Fonction de traitement de l'image
+# Fonction de traitement de l'image et d'encadrement des personnes détectées
 def process_image(image):
     processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
     model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
@@ -49,13 +49,20 @@ def process_image(image):
     target_sizes = torch.tensor([image.size[::-1]])
     results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]
 
+    # Convertir l'image pour dessiner
+    draw_image = image.copy()
+    draw = ImageDraw.Draw(draw_image)
+
     # Compter le nombre de personnes détectées
     persons = 0
     for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
         if model.config.id2label[label.item()] == 'person':
             persons += 1
-
-    expected_number_of_persons = 100  # Nombre attendu de personnes
+            box = [round(i, 2) for i in box.tolist()]
+            # Dessiner le rectangle rouge autour de la personne détectée
+            draw.rectangle(box, outline="red", width=3)
+    
+    expected_number_of_persons = 10  # Nombre attendu de personnes
     absents = expected_number_of_persons - persons
 
     # Assurez-vous que le nombre d'absents ne soit pas négatif
@@ -68,20 +75,25 @@ def process_image(image):
     status_code, response_json = generate_text_with_gemini(gemini_api_key, prompt)
     email_content = response_json.get('candidates', [{}])[0].get('content', {}).get('parts', [{}])[0].get('text', 'Content generation failed.')
 
-    return email_content
+    return draw_image, email_content
 
 # Interface Streamlit
-st.title("Analyse d'Image pour Détection de Personnes")
+st.title("Analyse d'Images pour Détection de Personnes")
 
-uploaded_file = st.file_uploader("Choisissez une image", type=["jpg", "jpeg", "png"])
+uploaded_files = st.file_uploader("Choisissez jusqu'à 3 images", type=["jpg", "jpeg", "png"], accept_multiple_files=True)
 
-if uploaded_file is not None:
-    # Lire l'image téléchargée
-    image = Image.open(uploaded_file)
-    st.image(image, caption='Image téléchargée', use_column_width=True)
-    
-    # Traitement de l'image
-    email_content = process_image(image)
-    
-    # Utilisation de Markdown pour un rendu graphique plus riche
-    st.markdown(email_content)
+if uploaded_files:
+    for uploaded_file in uploaded_files:
+        # Lire l'image téléchargée
+        image = Image.open(uploaded_file)
+        st.image(image, caption=f'Image téléchargée : {uploaded_file.name}', use_column_width=True)
+        
+        # Traitement de l'image
+        modified_image, email_content = process_image(image)
+        
+        # Afficher l'image modifiée
+        st.image(modified_image, caption=f'Image avec personnes détectées : {uploaded_file.name}', use_column_width=True)
+        
+        # Afficher le contenu généré
+        st.write(f"**Contenu généré pour {uploaded_file.name} :**")
+        st.markdown(email_content)