Prueba busqueda tabla

app.py

@@ -8,37 +8,50 @@ import cv2 as cv
 import numpy as np
 import re
 
+from ultralytics import YOLO
+model = YOLO('yolov8n.pt')
+
+
+etiquetas_filtradas=[]
+
 #Modelo de detección de objetos RT-DETR
-model = RTDETR('Modelo/rtdetr-l.pt')
+#model = RTDETR('Modelo/rtdetr-l.pt')
 
 #Modelo de segmentación de objetos MobileSAM basado en SAM
 model_SAM = SAM('Modelo/mobile_sam.pt')
 
+def obtencion_etiquetas(result):
 
-############################################################
-food1 = 'Manzana'
-food2 = 'Pera'
-food3 = 'Carne'
-ud1 = 1
-ud2 = 2
-ud3 = 2
-kcal1 = 95
-kcal2 = 51
-kcal3 = 150
-# Supongamos que tienes algunos datos en un diccionario
-data = {
-    'Alimento': [food1, food2, food3],
-    'Ud': ['1', '2', '2'],
-    'Kcal(100g)': ['95', '51', '150'],
-    'Total': [ud1*kcal1, ud2*kcal2, ud3*kcal3],
-}
+    object_count = {}
 
-# Convierte los datos a un DataFrame de pandas
-df = pd.DataFrame(data)
+    #Obtención de las etiquetas y el número de veces que se han detectado en la imagen
+    for box in result.boxes:
+      object_label = result.names[box.cls[0].item()]
+      if object_label in object_count:
+          object_count[object_label] += 1
+      else:
+          object_count[object_label] = 1
+    
+    etiquetas_filtradas = []
+    
+    # Imprimir el resultado
+    for label, count in object_count.items():
+      print(f"{label}: {count}")
+      etiquetas_filtradas.append(f"{label}")
 
-############################################################
+    return etiquetas_filtradas
 
+def cargar_dataframe_1(nombres_filas):
+    df = pd.read_csv('/content/drive/MyDrive/Proyecto_Vision/Tabla_alimentos.csv')
+    nombre_primera_columna = df.columns[0]
+    columnas_siguientes = df.columns[5:7]
+    nuevo_df = df[[nombre_primera_columna] + list(columnas_siguientes)]
 
+    # Filtrar las filas que corresponden a los nombres dados
+    nuevo_df = nuevo_df[nuevo_df[nombre_primera_columna].isin(nombres_filas)]
+
+    return nuevo_df
+    
 def calcular_suma(dataframe):
     # Inicializar la suma
     suma = 0
@@ -72,6 +85,8 @@ def image_mod(img_original):
     ancho, alto = img_original.size
     img_original = img_original.resize((640, 640))
     results = model(img_original, conf=0.60)  # results list
+    
+    result = results[0]
 
     img_original = np.array(img_original)
 
@@ -81,34 +96,41 @@ def image_mod(img_original):
     
     for r  in results:
         boxes = r.boxes.xyxy
-    
-    results_SAM = model_SAM(img_oscura, bboxes = boxes)
+        
+    if boxes is not None and len(boxes) > 0:
 
-    for x in results_SAM:
-        mascara_objeto = x.plot()    
-        #image_with_predictions  = Image.fromarray(im_array[..., ::-1])  # RGB PIL image
-
-    # Definir el umbral de brillo
-    umbral = 60
-
-    # Umbralizar la imagen para extraer solo las máscaras de los objetos
-    imagen_umbralizada = umbralizar_imagen(mascara_objeto, umbral)
-
-    # Convertir la imagen a escala de grises
-    img_gris = cv.cvtColor(imagen_umbralizada, cv.COLOR_BGR2GRAY)
+        results_SAM = model_SAM(img_oscura, bboxes = boxes)
+    
+        for x in results_SAM:
+            mascara_objeto = x.plot() 
 
-    # Aplicar umbralización de Otsu
-    _, th = cv.threshold(img_gris, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
+        global etiquetas_filtradas = obtencion_etiquetas(result)
 
-    #Bajar el brillo de la imagen para que destaquen más las máscaras de los 
-    #objetos segmentados
-    factor_brillo = 0.55
-    img_mod = np.clip(img_original * factor_brillo, 0, 255).astype(np.uint8)
+        # Definir el umbral de brillo
+        umbral = 60
     
-    # Hacer la capa blanca más transparente y combinar la imagen con las máscaras
-    alpha = 0.4
-    img_resultante = cv.addWeighted(img_mod, 1 - alpha, cv.cvtColor(th, cv.COLOR_GRAY2BGR), alpha, 0)
-
+        # Umbralizar la imagen para extraer solo las máscaras de los objetos
+        imagen_umbralizada = umbralizar_imagen(mascara_objeto, umbral)
+    
+        # Convertir la imagen a escala de grises
+        img_gris = cv.cvtColor(imagen_umbralizada, cv.COLOR_BGR2GRAY)
+    
+        # Aplicar umbralización de Otsu
+        _, th = cv.threshold(img_gris, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
+    
+        #Bajar el brillo de la imagen para que destaquen más las máscaras de los 
+        #objetos segmentados
+        factor_brillo = 0.55
+        img_mod = np.clip(img_original * factor_brillo, 0, 255).astype(np.uint8)
+        
+        # Hacer la capa blanca más transparente y combinar la imagen con las máscaras
+        alpha = 0.4
+        img_resultante = cv.addWeighted(img_mod, 1 - alpha, cv.cvtColor(th, cv.COLOR_GRAY2BGR), alpha, 0)
+    
+    else:
+        factor_brillo = 0.55
+        img_resultante = np.clip(img_original * factor_brillo, 0, 255).astype(np.uint8)
+        
     img_resultante = cv.cvtColor(img_resultante, cv.COLOR_BGR2RGB)
 
     image_with_predictions  = Image.fromarray(img_resultante[..., ::-1])  # RGB PIL image
@@ -130,7 +152,7 @@ Imagen = gr.Interface(
         os.path.join(os.path.abspath(''), "Test/Imagen_5.jpg"),
         os.path.join(os.path.abspath(''), "Test/Imagen_6.jpg"),
     ],
-    description = "Deteccioón y segmentación de los alimentos de la imagen aportada por el usuario.",
+    description = "Detección y segmentación de los alimentos de la imagen aportada por el usuario.",
     #theme='Taithrah/Minimal'
 )
 
@@ -138,10 +160,10 @@ Tabla = gr.Interface(
       calcular_suma,
       [
         gr.Dataframe(
-            df,
-            headers=["Alimento", "Ud",  "Kcal(100g)", "Total" ],
-            datatype=["str", "number", "number", "number"],
-            col_count=4,
+            cargar_dataframe_1(etiquetas_filtradas),
+            #headers=["Alimento", "Ud",  "Kcal(100g)", "Total" ],
+            #datatype=["str", "number", "number", "number"],
+            #col_count=4,
             label="Resumen alimenticio",
         ),
         #gr.Dropdown(["Cerdo", "Ternera", "Pavo"]),
@@ -155,4 +177,4 @@ demo = gr.TabbedInterface([Imagen, Tabla], ["Imagen", "Tabla"],
                           title = "Detección de alimentos", theme='gradio/soft')
 
 if __name__ == "__main__":
-    demo.launch(auth=("admin", "TheBest"))
+    demo.launch(auth=("admin", "TheBest"), share=True)