Update app.py
Browse files
app.py
CHANGED
@@ -7,6 +7,8 @@ import cv2
|
|
7 |
import numpy as np
|
8 |
from preprocess import unsharp_masking
|
9 |
import time
|
|
|
|
|
10 |
|
11 |
device = "cuda" if torch.cuda.is_available() else "cpu"
|
12 |
|
@@ -16,7 +18,7 @@ def ordenar_e_preprocessar_imagem(img, modelo):
|
|
16 |
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
17 |
h, w = img.shape
|
18 |
img_out = preprocessar_imagem(img, modelo)
|
19 |
-
return img_out
|
20 |
|
21 |
# Função para pré-processar a imagem com base no modelo selecionado
|
22 |
def preprocessar_imagem(img, modelo='SE-RegUNet 4GF'):
|
@@ -50,6 +52,9 @@ def preprocessar_imagem(img, modelo='SE-RegUNet 4GF'):
|
|
50 |
|
51 |
return img_out
|
52 |
|
|
|
|
|
|
|
53 |
# Caminho absoluto para a pasta de salvamento
|
54 |
caminho_salvar_resultado = "/Segmento_de_Angio_Coronariana_v5/Salvar Resultado"
|
55 |
|
@@ -62,9 +67,6 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
|
|
62 |
# Coloque o modelo na GPU (se disponível) e configure-o para modo de avaliação
|
63 |
pipe = pipe.to(device).eval()
|
64 |
|
65 |
-
# Registre o tempo de início
|
66 |
-
start = time.time()
|
67 |
-
|
68 |
# Pré-processe a imagem e obtenha informações de dimensão
|
69 |
img, h, w, ori_gray, ori = ordenar_e_preprocessar_imagem(img, modelo)
|
70 |
|
@@ -77,10 +79,6 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
|
|
77 |
img = torch.cat([img, img], dim=0)
|
78 |
logit = np.round(torch.softmax(pipe.forward(img), dim=1).detach().cpu().numpy()[0, 0]).astype(np.uint8)
|
79 |
|
80 |
-
# Calcule o tempo decorrido
|
81 |
-
spent = time.time() - start
|
82 |
-
spent = f"{spent:.3f} segundos"
|
83 |
-
|
84 |
# Redimensione o resultado, se necessário
|
85 |
if h != 512 or w != 512:
|
86 |
logit = cv2.resize(logit, (h, w))
|
@@ -97,7 +95,7 @@ def processar_imagem_de_entrada(img, modelo, pipe, salvar_resultado=False):
|
|
97 |
nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
|
98 |
cv2.imwrite(nome_arquivo, img_out)
|
99 |
|
100 |
-
return
|
101 |
|
102 |
except Exception as e:
|
103 |
# Em caso de erro, retorne uma mensagem de erro
|
@@ -113,31 +111,26 @@ models = {
|
|
113 |
'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
|
114 |
}
|
115 |
|
116 |
-
# Função para processar a imagem de entrada
|
117 |
-
def processar_imagem_de_entrada_wrapper(img, modelo
|
118 |
model = models[modelo]
|
119 |
-
|
120 |
-
return
|
121 |
-
|
122 |
-
# Inicializar a contagem de análises
|
123 |
-
num_analises = 0
|
124 |
|
125 |
-
# Criar a interface Gradio
|
126 |
my_app = gr.Interface(
|
127 |
fn=processar_imagem_de_entrada_wrapper,
|
128 |
inputs=[
|
129 |
gr.inputs.Image(label="Angiograma:", shape=(512, 512)),
|
130 |
gr.inputs.Dropdown(['SE-RegUNet 4GF','SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
|
131 |
-
gr.inputs.Checkbox(label="Salvar Resultado"),
|
132 |
],
|
133 |
outputs=gr.outputs.Image(type="numpy", label="Imagem de Saída"),
|
134 |
title="Segmentação de Angiograma Coronariano",
|
135 |
description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados.",
|
136 |
theme="default",
|
137 |
layout="vertical",
|
138 |
-
allow_flagging=
|
139 |
)
|
140 |
|
141 |
# Iniciar a interface Gradio
|
142 |
-
my_app.launch()
|
143 |
-
|
|
|
7 |
import numpy as np
|
8 |
from preprocess import unsharp_masking
|
9 |
import time
|
10 |
+
from sklearn.cluster import KMeans
|
11 |
+
import os
|
12 |
|
13 |
device = "cuda" if torch.cuda.is_available() else "cpu"
|
14 |
|
|
|
18 |
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
|
19 |
h, w = img.shape
|
20 |
img_out = preprocessar_imagem(img, modelo)
|
21 |
+
return img_out
|
22 |
|
23 |
# Função para pré-processar a imagem com base no modelo selecionado
|
24 |
def preprocessar_imagem(img, modelo='SE-RegUNet 4GF'):
|
|
|
52 |
|
53 |
return img_out
|
54 |
|
55 |
+
|
56 |
+
import os
|
57 |
+
|
58 |
# Caminho absoluto para a pasta de salvamento
|
59 |
caminho_salvar_resultado = "/Segmento_de_Angio_Coronariana_v5/Salvar Resultado"
|
60 |
|
|
|
67 |
# Coloque o modelo na GPU (se disponível) e configure-o para modo de avaliação
|
68 |
pipe = pipe.to(device).eval()
|
69 |
|
|
|
|
|
|
|
70 |
# Pré-processe a imagem e obtenha informações de dimensão
|
71 |
img, h, w, ori_gray, ori = ordenar_e_preprocessar_imagem(img, modelo)
|
72 |
|
|
|
79 |
img = torch.cat([img, img], dim=0)
|
80 |
logit = np.round(torch.softmax(pipe.forward(img), dim=1).detach().cpu().numpy()[0, 0]).astype(np.uint8)
|
81 |
|
|
|
|
|
|
|
|
|
82 |
# Redimensione o resultado, se necessário
|
83 |
if h != 512 or w != 512:
|
84 |
logit = cv2.resize(logit, (h, w))
|
|
|
95 |
nome_arquivo = os.path.join(caminho_salvar_resultado, f'resultado_{int(time.time())}.png')
|
96 |
cv2.imwrite(nome_arquivo, img_out)
|
97 |
|
98 |
+
return img_out
|
99 |
|
100 |
except Exception as e:
|
101 |
# Em caso de erro, retorne uma mensagem de erro
|
|
|
111 |
'UNet3+': torch.jit.load('./model/UNet3plus.pt'),
|
112 |
}
|
113 |
|
114 |
+
# Função para processar a imagem de entrada e retornar apenas a imagem de saída
|
115 |
+
def processar_imagem_de_entrada_wrapper(img, modelo):
|
116 |
model = models[modelo]
|
117 |
+
img_out = processar_imagem_de_entrada(img, modelo, model)
|
118 |
+
return img_out
|
|
|
|
|
|
|
119 |
|
120 |
+
# Criar a interface Gradio
|
121 |
my_app = gr.Interface(
|
122 |
fn=processar_imagem_de_entrada_wrapper,
|
123 |
inputs=[
|
124 |
gr.inputs.Image(label="Angiograma:", shape=(512, 512)),
|
125 |
gr.inputs.Dropdown(['SE-RegUNet 4GF','SE-RegUNet 16GF', 'AngioNet', 'EffUNet++ B5', 'Reg-SA-UNet++', 'UNet3+'], label='Modelo', default='SE-RegUNet 4GF'),
|
|
|
126 |
],
|
127 |
outputs=gr.outputs.Image(type="numpy", label="Imagem de Saída"),
|
128 |
title="Segmentação de Angiograma Coronariano",
|
129 |
description="Esta aplicação segmenta angiogramas coronarianos usando modelos de segmentação pré-treinados.",
|
130 |
theme="default",
|
131 |
layout="vertical",
|
132 |
+
allow_flagging=False,
|
133 |
)
|
134 |
|
135 |
# Iniciar a interface Gradio
|
136 |
+
my_app.launch()
|
|