Primer commit

app.py

@@ -0,0 +1,94 @@
+
+import gradio as gr
+import cv2
+from matplotlib import pyplot as plt
+import numpy as np
+from typing import List
+from ultralytics import YOLO
+import cv2
+import numpy as np
+import os
+import shutil
+
+
+def recortar_notas(imagen_path: str) -> int:
+    if os.path.exists('deteccion'):
+        shutil.rmtree('deteccion')
+    if os.path.exists('diarios'):
+        shutil.rmtree('diarios')
+    if os.path.exists('recorte'):
+        shutil.rmtree('recorte')
+    
+    model = YOLO("seg-640.pt")
+    results = model.predict(source=imagen_path, save=True, save_txt=True, project="diarios", classes=0, conf=0.5) 
+
+    # cargar imagen tif
+    image = cv2.imread(imagen_path)
+
+    # crear una carpeta para guardar los recortes
+    filename = os.path.splitext(os.path.basename(results[0].path))[0]
+    foldername = os.path.splitext(filename)[0]
+    if not os.path.exists(f"recorte/{foldername}"):
+        os.makedirs(f"recorte/{foldername}")
+
+    datos = results[0].masks.xy
+
+    num_notas = 0
+
+    for i, coords in enumerate(datos): 
+        # coordenadas de segmentación
+        coordenadas = np.array(coords)
+
+        # crear una máscara vacía
+        mask = np.zeros((image.shape[0], image.shape[1]), dtype=np.uint8)
+
+        # dibujar un polígono en la máscara
+        cv2.fillPoly(mask, [coordenadas.astype(np.int32)], 255)
+
+        # aplicar la máscara a la imagen
+        masked = cv2.bitwise_and(image, image, mask=mask)
+
+        # recortar la imagen utilizando la caja delimitadora de la máscara
+        x, y, w, h = cv2.boundingRect(mask)
+        recorte = masked[y:y+h, x:x+w]
+
+        # guardar el recorte como una imagen
+        recorte_path = os.path.join(f"recorte/{foldername}", f"nota {i}.jpg")
+        cv2.imwrite(recorte_path, recorte)
+
+        num_notas += 1
+    
+    noticias(foldername)
+    segmentacion = f"diarios/predict/{filename}.png"
+    recorte1 = f"recorte/{foldername}/nota 0.jpg"
+    prediccion = f"deteccion/{foldername}/predict/nota 0.jpg"
+        
+    try:
+        recorte2 = f"recorte/{foldername}/nota 1.jpg"
+        prediccion2 = f"deteccion/{foldername}/predict/nota 1.jpg"
+        if not os.path.exists(recorte2):
+            raise Exception(f"El archivo {recorte2} no existe.")
+    except:
+          recorte2 = "sin_nota.jpg"
+          prediccion2 = "sin_nota.jpg"
+    
+    return cv2.imread(segmentacion), num_notas, recorte1, recorte2,prediccion, prediccion2
+
+def noticias(carpeta):
+        nombre = carpeta
+        model = YOLO("best-detect.pt")
+        results = model.predict(source=f"recorte/{nombre}", save=True, save_txt=True,project=f"deteccion/{nombre}", conf=0.75)  # save plotted images
+        return print(f"Imagen {nombre} procesada correctamente")
+
+gr.Interface(
+    fn = recortar_notas,
+    inputs = [ gr.components.Image(type="filepath", label="Input") ],
+    outputs = [ gr.components.Image(type="filepath", label="Segmentacion"), gr.Label(label="Numero de Notas"),
+                gr.components.Image(type="filepath", label="Recorte Nota"),gr.components.Image(type="filepath", label="Recorte Nota"), 
+                gr.components.Image(type="filepath", label="Deteccion"),gr.components.Image(type="filepath", label="Deteccion"), ],
+
+    title="IA por la Identidad",
+    description="Datathon Fundacion Sadosky",
+    examples=[ ['clarin.jpg']],
+    allow_flagging="never"
+).launch(debug=True, enable_queue=True)

best-detect.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:f2feb142d660f1147ebe3bae95a449830e98fae0db05489c2d4fd2913002e199
+size 6225400

requirements.txt

@@ -0,0 +1,6 @@
+gradio
+typing==3.7.4.3
+ultralytics==8.0.70
+opencv-python==4.6.0.66
+numpy==1.23.5
+

seg-640.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:da27e0b0275104f65e48cb3d4174afbb7b67b8bf72cfc0624f92ba4d3fbf3bb6
+size 92283287