main | Initial repository

app.py

@@ -0,0 +1,111 @@
+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 usa UNet para segmentar imágenes
+de dientes 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).
+"""
+)
+
+# Seleccionamos y cargamos el modelo
+model_id = "SerdarHelli/Segmentation-of-Teeth-in-Panoramic-X-ray-Image-Using-U-Net"
+model = from_pretrained_keras(model_id)
+
+# Permitimos a la usuaria cargar una imagen
+archivo_imagen = st.file_uploader(
+    "Sube aquí tu imagen.", type=["png", "jpg", "jpeg"])
+
+# 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
+
+
+# Manipularemos la interfaz para que podamos usar imágenes ejemplo
+# Si el usuario da click en un ejemplo entonces el modelo correrá con él
+ejemplos = ["dientes_1.png", "dientes_2.png", "dientes_3.png"]
+
+# Creamos tres columnas; en cada una estará una imagen ejemplo
+col1, col2, col3 = st.columns(3)
+with col1:
+    # Se carga la imagen y se muestra en la interfaz
+    ex = Image.open(ejemplos[0])
+    st.image(ex, width=200)
+    # Si oprime el botón entonces usaremos ese ejemplo en el modelo
+    if st.button("Corre este ejemplo 1"):
+        archivo_imagen = ejemplos[0]
+
+with col2:
+    ex1 = Image.open(ejemplos[1])
+    st.image(ex1, width=200)
+    if st.button("Corre este ejemplo 2"):
+        archivo_imagen = ejemplos[1]
+
+with col3:
+    ex2 = Image.open(ejemplos[2])
+    st.image(ex2, width=200)
+    if st.button("Corre este ejemplo 3"):
+        archivo_imagen = ejemplos[2]
+
+# Si tenemos una imagen para ingresar en el modelo entonces
+# la procesamos e ingresamos al modelo
+if archivo_imagen is not None:
+    # Cargamos la imagen con PIL, la mostramos y la convertimos a un array de NumPy
+    img = Image.open(archivo_imagen)
+    st.image(img, width=850)
+    img = np.asarray(img)
+
+    # Procesamos la imagen para ingresarla al modelo
+    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))
+
+    # Ingresamos el array de NumPy al modelo
+    predicted = model.predict(img_cv)
+    predicted = predicted[0]
+
+    # Regresamos la imagen a su forma original y agregamos las máscaras de la segmentación
+    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)
+
+    # Si obtuvimos exitosamente un resultadod entonces lo mostramos en la interfaz
+    if output is not None:
+        st.subheader("Segmentación:")
+        st.write(output.shape)
+        st.image(output, width=850)

requirements.txt

@@ -0,0 +1,5 @@
+numpy
+Pillow
+scipy
+opencv-python
+tensorflow