go3

app.py

@@ -3,46 +3,90 @@ import numpy as np
 from PIL import Image
 import torch
 import matplotlib.pyplot as plt
+import io
 
-model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt')
-
+# Carregar modelo
+print("Carregando modelo YOLOv5...")
+model = torch.hub.load('ultralytics/yolov5', 'custom', path='best.pt', trust_repo=True)
+print("Modelo carregado com sucesso!")
 
 def detect(img):
+    if img is None:
+        return None
     
+    # Converter para array numpy
     img_arr = np.array(img)
     
+    # Fazer predição
     results = model(img_arr)
-
     
-    fig, ax = plt.subplots()
+    # Criar figura
+    fig, ax = plt.subplots(figsize=(12, 8))
     ax.imshow(img_arr)
-
     
-    for *xyxy, conf, cls in results.xyxy[0].cpu().numpy():
-        x1, y1, x2, y2 = map(int, xyxy)
-        label = model.names[int(cls)]  
-        ax.add_patch(plt.Rectangle((x1, y1), x2-x1, y2-y1, fill=False, color='red', linewidth=2))
-        ax.text(x1, y1, f'{label} {conf:.2f}', color='white', fontsize=8, bbox={'facecolor': 'red', 'alpha': 0.5})
-
-    plt.axis('off')  
-
+    # Contador de manchas solares
+    sunspot_count = 0
+    
+    # Processar detecções
+    detections = results.xyxy[0].cpu().numpy()
+    
+    for *xyxy, conf, cls in detections:
+        if conf > 0.25:  # Filtrar detecções com baixa confiança
+            x1, y1, x2, y2 = map(int, xyxy)
+            label = model.names[int(cls)]
+            sunspot_count += 1
+            
+            # Desenhar bounding box
+            ax.add_patch(plt.Rectangle((x1, y1), x2-x1, y2-y1, 
+                                     fill=False, color='red', linewidth=2))
+            
+            # Adicionar label com confiança
+            ax.text(x1, y1-10, f'{label} {conf:.2f}', 
+                   color='white', fontsize=10, 
+                   bbox={'facecolor': 'red', 'alpha': 0.8})
+    
+    # Título com contagem
+    ax.set_title(f'Sun Spots Detectados: {sunspot_count}', 
+                fontsize=16, fontweight='bold', color='white', 
+                bbox={'facecolor': 'black', 'alpha': 0.7})
+    
+    plt.axis('off')
+    plt.tight_layout()
+    
+    # Converter para PIL Image
+    buf = io.BytesIO()
+    plt.savefig(buf, format='png', bbox_inches='tight', 
+                dpi=150, facecolor='black')
+    buf.seek(0)
+    pil_img = Image.open(buf)
+    plt.close(fig)
     
-    fig.canvas.draw()
-    pil_img = Image.fromarray(np.array(fig.canvas.renderer._renderer))
-    plt.close(fig)  
-
     return pil_img
 
-
-#Gradiooo 
+# Interface Gradio
 iface = gr.Interface(
     fn=detect,
-    inputs=gr.Image(type="pil"),
-    outputs=gr.Image(type="pil"),
-    title="YOLOv5 Sun Spot Hunter",
-    description="Object detector (solar spot/sunspot hunter) trained using YOLOv5 and labeled in Makesense.ai",
-    examples=[["example1.jpg"]] 
+    inputs=gr.Image(type="pil", label="📷 Upload da Imagem Solar"),
+    outputs=gr.Image(type="pil", label="🔍 Detecções de Manchas Solares"),
+    title="☀️ YOLOv5 Sun Spot Hunter",
+    description="""
+    **Detector de Manchas Solares** 🌞
+    
+    Este detector foi treinado usando YOLOv5 e rotulado no Makesense.ai para identificar manchas solares em imagens.
+    
+    📋 **Como usar:**
+    1. Faça upload de uma imagem solar
+    2. O modelo detectará automaticamente as manchas solares
+    3. As detecções serão destacadas com caixas vermelhas
+    """,
+    examples=[["example1.jpg"]] if False else None,  # Descomente se tiver imagens de exemplo
+    theme=gr.themes.Soft(),
+    css="""
+    .gradio-container {
+        background: linear-gradient(45deg, #FDB813, #FF8C00);
+    }
+    """
 )
 
-
-iface.launch(debug=True)
+if __name__ == "__main__":
+    iface.launch(debug=True, share=True)

requirements.txt

@@ -1,8 +1,15 @@
-gradio==4.29.0  # 
+gradio==4.29.0
 torch
+torchvision
 numpy
 Pillow
 matplotlib
 opencv-python
+seaborn
+ultralytics
+PyYAML
+requests
+tqdm
+scipy