# -*- coding: utf-8 -*-
"""Deploy Barcelo demo.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1FxaL8DcYgvjPrWfWruSA5hvk3J81zLY9
# Modelo
YOLO es una familia de modelos de detección de objetos a escala compuesta entrenados en COCO dataset, e incluye una funcionalidad simple para Test Time Augmentation (TTA), model ensembling, hyperparameter evolution, and export to ONNX, CoreML and TFLite.
## Gradio Inferencia
Este Notebook se acelera opcionalmente con un entorno de ejecución de GPU
----------------------------------------------------------------------
YOLOv5 Gradio demo
*Author: Ultralytics LLC and Gradio*
# Código
"""
#!pip install -qr https://raw.githubusercontent.com/ultralytics/yolov5/master/requirements.txt gradio # install dependencies
import os
import re
import json
import pandas as pd
import gradio as gr
import torch
from PIL import Image
# Images
torch.hub.download_url_to_file('https://i.pinimg.com/originals/7f/5e/96/7f5e9657c08aae4bcd8bc8b0dcff720e.jpg', 'ejemplo1.jpg')
torch.hub.download_url_to_file('https://i.pinimg.com/originals/c2/ce/e0/c2cee05624d5477ffcf2d34ca77b47d1.jpg', 'ejemplo2.jpg')
# Model
#model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # force_reload=True to update
#model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt') # local model o google colab
#model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True, autoshape=True) # local model o google colab
#model = torch.hub.load('path/to/yolov5', 'custom', path='/content/yolov56.pt', source='local') # local repo
model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', force_reload=True, autoshape=True, trust_repo=True)
#HF_TOKEN = os.getenv("ZIKA_TOKEN_WRITE")
#hf_writer = gr.HuggingFaceDatasetSaver(HF_TOKEN, "demo-iazika-flags")
def getQuantity(string):
contador_raw = ''.join(string.split(" ")[3:])
resultado_especie_1 = 'Aedes'
resultado_especie_2 = 'Mosquito'
resultado_especie_3 = 'Mosca'
resultado_cantidad_1 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_1, contador_raw))))
resultado_cantidad_2 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_2, contador_raw))))
resultado_cantidad_3 = ''.join(re.findall(r'\d+',''.join(re.findall(r'\d+'+resultado_especie_3, contador_raw))))
resultado_cantidad_1 = resultado_cantidad_1 if len(resultado_cantidad_1) > 0 else "0"
resultado_cantidad_2 = resultado_cantidad_2 if len(resultado_cantidad_2) > 0 else "0"
resultado_cantidad_3 = resultado_cantidad_3 if len(resultado_cantidad_3) > 0 else "0"
resultado_lista = [[resultado_cantidad_1,resultado_especie_1],
[resultado_cantidad_2,resultado_especie_2],
[resultado_cantidad_3,resultado_especie_3]]
return resultado_lista
def listJSON(resultado):
resultado_lista = getQuantity(resultado)
img_name = " ".join(resultado.split(" ")[0:2])
img_size = "".join(resultado.split(" ")[2])
strlista = ""
for resultado_lista, description in resultado_lista:
strlista += '{"quantity":"'+resultado_lista+'","description":"'+description+'"},'
strlista = strlista[:-1]
str_resultado_lista = '{"image":"'+str(img_name)+'","size":"'+str(img_size)+'","detail":['+strlista+']}'
json_string = json.loads(str_resultado_lista)
return json_string
def arrayLista(resultado):
resultado_lista = getQuantity(resultado)
df = pd.DataFrame(resultado_lista,columns=['Cantidad','Especie'])
return df
def yolo(size, iou, conf, im):
'''Wrapper fn for gradio'''
g = (int(size) / max(im.size)) # gain
im = im.resize((int(x * g) for x in im.size), Image.LANCZOS) # resize with antialiasing
model.iou = iou
model.conf = conf
results2 = model(im) # inference
#print(type(results2))
results2.render() # updates results.imgs with boxes and labels
results_detail = str(results2)
lista = listJSON(results_detail)
lista2 = arrayLista(results_detail)
return Image.fromarray(results2.ims[0]), lista2, lista
#------------ Interface-------------
in1 = gr.Radio(['640', '1280'], label="Tamaño de la imagen", type='value')
in2 = gr.Slider(minimum=0, maximum=1, step=0.05, label='NMS IoU threshold')
in3 = gr.Slider(minimum=0, maximum=1, step=0.05, label='Umbral o threshold')
in4 = gr.Image(type='pil', label="Original Image")
out2 = gr.Image(type="pil", label="YOLOv5")
out3 = gr.Dataframe(label="Cantidad_especie", headers=['Cantidad','Especie'], type="pandas")
out4 = gr.JSON(label="JSON")
#-------------- Text-----
title = 'Trampas Barceló'
description = """
Sistemas de Desarrollado por Subsecretaría de Modernización del Municipio de Vicente López. Advertencia solo usar fotos provenientes de las trampas Barceló, no de celular o foto de internet.
"""
article ="Para mas info, clik para ir al white paper
Google Colab Demo
Repo Github
"
examples = [['640',0.45, 0.75,'ejemplo1.jpg'], ['640',0.45, 0.75,'ejemplo2.jpg']]
iface = gr.Interface(yolo,
inputs=[in1, in2, in3, in4],
outputs=[out2,out3,out4], title=title,
description=description,
article=article,
examples=examples,
analytics_enabled=False,
allow_flagging="manual",
flagging_options=["Correcto", "Incorrecto", "Casi correcto", "Error", "Otro"],
#flagging_callback=hf_writer
)
iface.launch(debug=True)
"""For YOLOv5 PyTorch Hub inference with **PIL**, **OpenCV**, **Numpy** or **PyTorch** inputs please see the full [YOLOv5 PyTorch Hub Tutorial](https://github.com/ultralytics/yolov5/issues/36).
## Citation
[](https://zenodo.org/badge/latestdoi/264818686)
"""