Update app.py

app.py

@@ -1,7 +1,9 @@
+import streamlit as st
 import requests
 from transformers import DetrImageProcessor, DetrForObjectDetection
 import torch
 from PIL import Image
+import io
 
 # Fonction pour générer du texte avec Gemini
 def generate_text_with_gemini(api_key, prompt):
@@ -35,40 +37,53 @@ def generate_text_with_gemini(api_key, prompt):
     
     return response.status_code, response_json
 
-# URL de l'image d'exemple
-url = "https://www.saint-genes.com/wp-content/uploads/2019/10/DSC05405.jpg"
-image = Image.open(requests.get(url, stream=True).raw)
+# Fonction de traitement de l'image
+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")
+    
+    # Préparer l'image pour le modèle
+    inputs = processor(images=image, return_tensors="pt")
+    outputs = model(**inputs)
+    
+    # Post-traitement des résultats pour obtenir les boîtes englobantes et les labels
+    target_sizes = torch.tensor([image.size[::-1]])
+    results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]
 
-# Téléchargement du modèle sans la dépendance 'timm'
-processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
-model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
+    # 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
 
-# Préparer l'image pour le modèle
-inputs = processor(images=image, return_tensors="pt")
-outputs = model(**inputs)
+    expected_number_of_persons = 10  # Nombre attendu de personnes
+    absents = expected_number_of_persons - persons
 
-# Post-traitement des résultats pour obtenir les boîtes englobantes et les labels
-target_sizes = torch.tensor([image.size[::-1]])
-results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]
+    # Assurez-vous que le nombre d'absents ne soit pas négatif
+    if absents < 0:
+        absents = 0
 
-# 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
+    # Générer le contenu de l'email avec Gemini
+    prompt = f"Notifier de l'absence: Le nombre de personnes présentes est de {persons}. Le nombre d'absents est de {absents}."
+    gemini_api_key = "AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38"  # Remplacez par votre clé API Gemini
+    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.')
 
-expected_number_of_persons = 30  # Nombre attendu de personnes
-absents = expected_number_of_persons - persons
+    return email_content
 
-# Assurez-vous que le nombre d'absents ne soit pas négatif
-if absents < 0:
-    absents = 0
+# Interface Streamlit
+st.title("Analyse d'Image pour Détection de Personnes")
 
-# Générer le contenu de l'email avec Gemini
-prompt = f"Notifier de l'absence: Le nombre de personnes présentes est de {persons}. Le nombre d'absents est de {absents}."
-gemini_api_key = "AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38"  # Remplacez par votre clé API Gemini
-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.')
+uploaded_file = st.file_uploader("Choisissez une image", type=["jpg", "jpeg", "png"])
 
-# Afficher le contenu généré
-print(f"Generated Content: {email_content}")
+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)
+    
+    # Afficher le contenu généré
+    st.write("**Contenu généré :**")
+    st.write(email_content)