app.py

import gradio as gr
from ultralytics import YOLO  # Importer YOLOv8
import numpy as np
import cv2

# Charger le modèle YOLOv8
model = YOLO('best.pt')  # Remplace 'best.pt' par le chemin de ton modèle

# Fonction pour dessiner les boîtes de détection sur l'image
def draw_boxes(image, detections, class_names, confidence_threshold):
    for detection in detections:
        if detection.conf[0] >= confidence_threshold:
            class_index = int(detection.cls[0])  # Obtenir l'indice de la classe
            class_name = class_names[class_index]  # Nom de la classe
            confidence = format(detection.conf[0], ".2f")  # Confiance
            
            # Obtenir les coordonnées des boîtes
            xyxy = detection.xyxy[0].cpu().numpy().astype(int)
            (x1, y1, x2, y2) = xyxy
            
            # Dessiner la boîte
            cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
            label = f"{class_name} ({confidence})"
            
            # Ajouter le texte (classe et confiance) au-dessus de la boîte
            cv2.putText(image, label, (x1, y1 + 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
    
    return image

# Fonction d'inférence
def detect(img, confidence_threshold):
    # Convertir l'image PIL en format approprié pour OpenCV
    img_cv = np.array(img)
    img_cv = cv2.cvtColor(img_cv, cv2.COLOR_RGB2BGR)
    
    # Faire une prédiction avec YOLOv8
    results = model(img_cv)  # YOLOv8 prend directement l'image en entrée
    
    # Si des objets sont détectés, dessiner les boîtes
    if results:
        detections = results[0].boxes  # Les résultats des détections
        if len(detections) > 0:
            class_names = ['AMAZONE', 'BIOGUERRA', 'PORTE DU NON RETOUR', 'REVENANT', 'ZANGBETO']
            img_with_boxes = draw_boxes(img_cv, detections, class_names, confidence_threshold)
            return cv2.cvtColor(img_with_boxes, cv2.COLOR_BGR2RGB)  # Convertir l'image en format RGB pour Gradio
        else:
            return img  # Si aucune détection, retourner l'image originale
    else:
        return img  # Si aucune détection, retourner l'image originale

# Interface utilisateur avec Gradio
title = "Orisha YOLOv8"

iface = gr.Interface(
    fn=detect, 
    inputs=[
        gr.Image(type="pil", image_mode='RGB', label="Image à détecter"),  # Charger une image
        gr.Slider(0.0, 1.0, value=0.25, step=0.01, label="Confiance minimale"),  # Paramétrer la confiance
    ],  
    outputs=gr.Image(type="pil", label="Résultat avec détections"),  # Afficher le résultat avec boîtes
    title=title
)

# Lancer l'application
iface.launch(inline=False)


# import gradio as gr
# from ultralytics import YOLO  # Importer YOLOv8
# import numpy as np

# # Charger le modèle YOLOv8
# model = YOLO('best.pt')  # Remplace 'best.pt' par le chemin de ton modèle

# # Fonction d'inférence
# def detect(img):
#     # Faire une prédiction avec YOLOv8
#     results = model(img)  # YOLOv8 prend directement l'image en entrée

#     # Si des objets sont détectés, renvoyer la classe de l'objet
#     if results:
#         detections = results[0].boxes  # Les résultats des détections
#         if len(detections) > 0:
#             # Obtenir la classe de la détection avec la probabilité la plus élevée
#             detection = detections[0]  # On prend la première détection (peut être ajusté)
#             class_index = int(detection.cls[0])  # Obtenir l'indice de la classe
#             class_names = ['AMAZONE', 'BIOGUERRA','PORTE DU NON RETOUR', 'REVENANT', 'ZANGBETO']
#             class_name = class_names[class_index]  # Nom de la classe prédite
#             confidence = format(detection.conf[0], ".2f")  # Confiance de la détection
#             return f"Classe : {class_name}, Confiance : {confidence}"
#         else:
#             return "Aucune détection"
#     else:
#         return "Aucune détection"

# # Interface utilisateur avec Gradio
# title = "Orisha YOLOv8"

# iface = gr.Interface(
#     fn=detect, 
#     inputs=gr.Image(type="pil", image_mode='RGB'),  # Charger une image
#     outputs=gr.Textbox(label="Résultat", lines=2),  # Afficher le résultat
#     title=title
# )

# # Lancer l'application
# iface.launch(inline=False)


# import gradio as gr
# import tensorflow as tf
# import numpy as np
# from keras.models import load_model
# from tensorflow.keras.preprocessing.image import load_img, img_to_array

# # Charger le modèle sans compilation
# model = load_model('best_model_v2.keras', compile=False)

# # Recompiler le modèle avec la fonction de perte et l'optimiseur appropriés
# model.compile(
#     optimizer='adam',
#     loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
#     metrics=['accuracy']
# )

# def format_decimal(value):
#     decimal_value = format(value, ".2f")
#     return decimal_value

# def detect(img):
#     # Prétraiter l'image
#     img = img.resize((256, 256))  # Redimensionner l'image
#     img = img_to_array(img)
#     img = np.expand_dims(img, axis=0)
#     img = img / 255.0  # Normaliser les valeurs de l'image

#     # Faire une prédiction
#     prediction = model.predict(img)[0]

    
#     # Classes prédictives avec leurs index respectifs
#     class_names = ['AMAZONE', 'BIOGUERRA', 'REVENANT', 'ZANGBETO', 'PORTE DU NON RETOUR']

#     # Trouver l'indice de la classe avec la probabilité la plus élevée
#     class_index = np.argmax(prediction)

#     # Obtenir le nom de la classe prédite
#     texte = class_names[class_index]

#     return texte


# title = "Orisha"

# iface = gr.Interface(
#     fn=detect, 
#     inputs=gr.Image(type="pil", image_mode='RGB'), 
#     outputs=gr.Textbox(label="Classe", lines=10),
#     title=title
# )

# iface.launch(inline=False)