Iiniciado el proyecto de mariposas

.gitignore

@@ -0,0 +1 @@
+venv/

app.py

@@ -0,0 +1,63 @@
+import streamlit as st
+
+from utils import carga_modelo, genera
+
+## Página principal
+st.title("Butterfly GAN (GAN de mariposas)")
+st.write(
+    "Modelo Light-GAN entrenado con 1000 imágenes de mariposas tomadas de la colección del Museo Smithsonian."
+)
+
+## Barra lateral
+st.sidebar.subheader("¡Esta mariposa no existe! Ni en América Latina 🤯.")
+st.sidebar.image("assets/logo.png", width=200)
+st.sidebar.caption(
+    f"[Modelo](https://huggingface.co/ceyda/butterfly_cropped_uniq1K_512) y [Dataset](https://huggingface.co/datasets/huggan/smithsonian_butterflies_subset) usados."
+)
+st.sidebar.caption(f"*Disclaimers:*")
+st.sidebar.caption(
+    "* Este demo es una versión simplificada del creado por [Ceyda Cinarel](https://github.com/cceyda) y [Jonathan Whitaker](https://datasciencecastnet.home.blog/) ([link](https://huggingface.co/spaces/huggan/butterfly-gan)) durante el hackathon [HugGan](https://github.com/huggingface/community-events). Cualquier error se atribuye a [Omar Espejel](https://twitter.com/espejelomar)."
+)
+st.sidebar.caption(
+    "* Modelo basado en el [paper](https://openreview.net/forum?id=1Fqg133qRaI) *Towards Faster and Stabilized GAN Training for High-fidelity Few-shot Image Synthesis*."
+)
+
+## Cargamos modelo
+repo_id = "ceyda/butterfly_cropped_uniq1K_512"
+version_modelo = "57d36a15546909557d9f967f47713236c8288838"
+modelo_gan = carga_modelo(repo_id, version_modelo)
+
+## Generamos 4 mariposas
+n_mariposas = 4
+
+## Función que genera mariposas y lo guarda como un estado de la sesión
+def corre():
+    #bolita e espera que gira indcándote que se está generando
+    with st.spinner("Generando, espera un poco..."):
+        #mientras generamos nuestras mariposas con el modelo gan
+        ims = genera(modelo_gan, n_mariposas)
+        #guardamos las imágenes en un state session llamado ims
+        st.session_state["ims"] = ims
+
+
+## Si no hay una imagen generada entonces generala
+if "ims" not in st.session_state:
+    st.session_state["ims"] = None
+    corre()
+
+## ims contiene las imágenes generadas
+ims = st.session_state["ims"]
+
+## Si la usuaria da click en el botón entonces corremos la función genera()
+#Creamos un botón
+corre_boton = st.button(
+    "Genera mariposas, porfa.",
+    on_click=corre,
+    help="Estamos en pleno vuelo, puede tardar.",
+)
+#Si no está vacía creamos columnas con n mariposas
+if ims is not None:
+    cols = st.columns(n_mariposas)
+    for j, im in enumerate(ims):
+        i = j % n_mariposas
+        cols[i].image(im, use_column_width=True)

assets/app.py

@@ -0,0 +1,70 @@
+import streamlit as st 
+from PIL import Image
+import numpy as np
+import cv2
+from huggingface_hub import from_pretrained_keras
+
+st.header("Segmentación de dientes con rayos X")
+
+st.markdown('''
+
+Hola estudiantes de Platzi 🚀. Este modelo usan UNet para segmentar imágenes
+de dientos en rayos X. Se utila un modelo de Keras importado con la función
+`huggingface_hub.from_pretrained_keras`. Recuerda que el Hub de Hugging Face está integrado
+con muchas librerías como Keras, scikit-learn, fastai y otras.
+
+El modelo fue creado por [SerdarHelli](https://huggingface.co/SerdarHelli/Segmentation-of-Teeth-in-Panoramic-X-ray-Image-Using-U-Net).
+
+''')
+
+model_id = "SerdarHelli/Segmentation-of-Teeth-in-Panoramic-X-ray-Image-Using-U-Net"
+model=from_pretrained_keras(model_id)
+
+## Si una imagen tiene más de un canal entonces se convierte a escala de grises (1 canal) 
+def convertir_one_channel(img):
+    if len(img.shape)>2:
+        img= cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+        return img
+    else:
+        return img
+    
+def convertir_rgb(img):
+    if len(img.shape)==2:
+        img= cv2.cvtColor(img,cv2.COLOR_GRAY2RGB)  
+        return img
+    else:
+        return img
+
+    
+image_file = st.file_uploader("Sube aquí tu imagen.", type=["png","jpg","jpeg"])
+
+    
+if image_file is not None:
+
+      img= Image.open(image_file)
+      
+      st.image(img,width=850)
+      
+      img=np.asarray(img)
+  
+      img_cv=convertir_one_channel(img)
+      img_cv=cv2.resize(img_cv,(512,512), interpolation=cv2.INTER_LANCZOS4)
+      img_cv=np.float32(img_cv/255)
+      
+      img_cv=np.reshape(img_cv,(1,512,512,1))
+      prediction=model.predict(img_cv)
+      predicted=prediction[0]
+      predicted = cv2.resize(predicted, (img.shape[1],img.shape[0]), interpolation=cv2.INTER_LANCZOS4)
+      mask=np.uint8(predicted*255)# 
+      _, mask = cv2.threshold(mask, thresh=0, maxval=255, type=cv2.THRESH_BINARY+cv2.THRESH_OTSU)
+      kernel =( np.ones((5,5), dtype=np.float32))
+      mask=cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel,iterations=1 )  
+      mask=cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel,iterations=1 )
+      cnts,hieararch=cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
+      output = cv2.drawContours(convertir_one_channel(img), cnts, -1, (255, 0, 0) , 3)
+
+
+      if output is not None :      
+          st.subheader("Segmentación:")  
+          st.write(output.shape)
+          st.image(output,width=850)

packages.txt

@@ -0,0 +1 @@
+libgl1

requirements.txt

@@ -0,0 +1,5 @@
+git+https://github.com/huggingface/community-events.git@3fea10c5d5a50c69f509e34cd580fe9139905d04#egg=huggan
+transformers
+faiss-cpu
+paddlehub
+paddlepaddle

utils.py

@@ -0,0 +1,22 @@
+# Funciones que ayudarñán en el resto de la app
+
+import numpy as mp
+import torch
+from huggan.pytorch.lightweigth_gan.lightweigth_gan import  lightweightGAN #par generar imágenes
+
+## Cargamos el modelo desde el Hub de Hugging Face
+def carga_modelo(model_name="ceyda/butterfly_cropped_uniq1K_512", model_version=None):
+    #creamos nuestra gan y descargamos el modelo
+    gan = LightweightGAN.from_pretrained(model_name, version=model_version)
+    #ponemos nuestra gan en forma de evaluacion
+    gan.eval()
+    return gan
+
+
+## Usamos el modelo GAN para generar imágenes, y le decimos que el tamaño será 1
+def genera(gan, batch_size=1):
+    #utilizando pytorch vamos a llamar a nuestra gan 
+    with torch.no_grad():
+        ims = gan.G(torch.randn(batch_size, gan.latent_dim)).clamp_(0.0, 1.0) * 255
+        ims = ims.permute(0, 2, 3, 1).detach().cpu().numpy().astype(np.uint8)
+    return ims