|
import os |
|
import gradio as gr |
|
from PIL import Image |
|
|
|
os.system('wget https://github.com/FanChiMao/HWMNet/releases/download/v0.0/LOL_enhancement_HWMNet.pth -P experiments/pretrained_models') |
|
os.system('wget https://github.com/FanChiMao/HWMNet/releases/download/v0.0/MIT5K_enhancement_HWMNet.pth -P experiments/pretrained_models') |
|
|
|
def inference(img, model): |
|
os.system('mkdir test') |
|
|
|
|
|
|
|
|
|
width, height = img.size |
|
newsize= (width, height) |
|
img.save("test/1.png", "PNG") |
|
if model == 'LOL': |
|
os.system('python main_test_HWMNet.py --input_dir test --weights experiments/pretrained_models/LOL_enhancement_HWMNet.pth') |
|
elif model == 'MIT-5K': |
|
os.system('python main_test_HWMNet.py --input_dir test --weights experiments/pretrained_models/MIT5K_enhancement_HWMNet.pth') |
|
|
|
im = Image.open('result/1.png') |
|
im = im.resize(newsize) |
|
return 'result/1.png' |
|
|
|
|
|
title = "Low-light Image Enhancement" |
|
description = "Demo di uno script python che usa pythorch, opencv e numpy per eseguire il \"low light image enhancemnent\". Questa tecnica consente di migliorare graficamente un immagine con poca luce avvalendosi di dataset come \"LOL\" e \"MIT-Adobe FiveK\". <br> \"LOL\" è più adatto per immagini molto scure, di conseguenza è più invasivo. \"MIT-Adobe FiveK\" è meno invasivo e quindi adatto ad immagini più luminose di base." |
|
article = "<p style='text-align: center'>made by Peter Minerba for high-scool final exam ツ </p>" |
|
examples = [['low-light.png', 'LOL'], ['low-light_2.png', 'MIT-5K']] |
|
gr.Interface( |
|
inference, |
|
[gr.inputs.Image(type="pil", label="Input"), gr.inputs.Dropdown(choices=['LOL', 'MIT-5K'], type="value", default='LOL', label="model")], |
|
gr.outputs.Image(type="file", label="Output"), |
|
title=title, |
|
description=description, |
|
article=article, |
|
allow_flagging=False, |
|
allow_screenshot=False, |
|
examples=examples, |
|
css='#2 {max-width: 100%; max-height: 70%;}' |
|
).launch(debug=True) |
