Update app.py

app.py

@@ -1,38 +1,93 @@
 import cv2
 import numpy as np
 import gradio as gr
-
 from ultralytics import YOLO
+from collections import Counter
 
-def predict(path:str):
-    model = YOLO("yolov8s.yaml")
+def predict(image_path: str):
+    # Cargar el modelo
     model = YOLO("best_res2.pt")
-    imagen = cv2.imread(path)
-    results = model.predict(source=path)
+
+    # Leer la imagen desde la ruta
+    image = cv2.imread(image_path)
+
+    # Realizar la predicción
+    results = model.predict(source=image_path)
+
+    # Lista para almacenar las etiquetas predichas
+    predicted_labels = []
 
     for r in results:
-        return r.plot()
+        # Obtener las etiquetas de las predicciones
+        labels = r.names  # Nombres de las clases predichas
+        classes = r.boxes.cls  # IDs de las clases predichas
+        
+        # Se guardan las etiquetas de las predicciones
+        for cls_id in classes:
+            predicted_labels.append(labels[int(cls_id)])
 
-css = f"""
-.gradio-container {{
-    background-color: #ADD8E6; /* Fondo azul claro */
-    
-}}
-"""
+    # Contar las ocurrencias de cada diente en predicted_labels
+    predicted_counts = Counter(predicted_labels)
+
+    # Filtrar dientes identificados más de una vez
+    identified_multiple = {tooth for tooth, count in predicted_counts.items() if count > 1}
+
+    # Convertir predicted_labels a un conjunto para comparación
+    predicted_set = set(predicted_labels)
+
+    # Encontrar dientes que no se identificaron
+    missing_teeth = [tooth for tooth in fdi_teeth if tooth not in predicted_set]
+
+    # Ordenar los dientes según el sistema FDI
+    def fdi_sort_key(tooth):
+        quadrant = int(tooth[0])
+        position = int(tooth[1])
+        return (quadrant, position)
 
+    # Generar el texto con los resultados
+    results_text = []
+
+    results_text.append("Todos los dientes identificados:")
+    for tooth in sorted(predicted_set, key=fdi_sort_key):
+        results_text.append(f"Diente {tooth}")
+
+    results_text.append("\nDientes identificados más de una vez (requieren revisión):")
+    for tooth in sorted(identified_multiple, key=fdi_sort_key):
+        results_text.append(f"Diente {tooth}")
+
+    results_text.append("\nDientes no identificados:")
+    for tooth in sorted(missing_teeth, key=fdi_sort_key):
+        results_text.append(f"Diente {tooth}")
+
+    # Convertir la lista de resultados a una sola cadena de texto
+    results_text_str = "\n".join(results_text)
+
+    # Devolver la imagen con las predicciones y el texto de resultados
+    # Convertir la imagen con las predicciones a formato numpy para Gradio
+    output_image = results[0].plot()  # Usar la primera imagen de resultados
+    output_image = cv2.cvtColor(output_image, cv2.COLOR_BGR2RGB)  # Convertir BGR a RGB
+
+    return output_image, results_text_str
+
+# Lista de dientes en el sistema FDI
 fdi_teeth = [
-    # Cuadrante 1 (Superior derecho)
     '11', '12', '13', '14', '15', '16', '17', '18',
-    # Cuadrante 2 (Superior izquierdo)
     '21', '22', '23', '24', '25', '26', '27', '28',
-    # Cuadrante 3 (Inferior izquierdo)
     '31', '32', '33', '34', '35', '36', '37', '38',
-    # Cuadrante 4 (Inferior derecho)
     '41', '42', '43', '44', '45', '46', '47', '48'
 ]
-fdi_teeth
 
+# URL de la imagen para el fondo de la interfaz
+image_url = "https://huggingface.co/spaces/Jass0117/test/blob/main/diente.jpg"
+
+# CSS para el fondo de la interfaz
+css = f"""
+.gradio-container {{
+    background-color: #ADD8E6; /* Fondo azul claro */
+}}
+"""
 
+# Crear la interfaz de Gradio
 with gr.Blocks(css=css) as demo:
     # Encabezado
     gr.Markdown("<h1 style='text-align: center;'>Welcome to DentAIxpert</h1>"
@@ -41,11 +96,12 @@ with gr.Blocks(css=css) as demo:
     # Contenedor para la carga de imágenes y resultados
     with gr.Row():
         with gr.Column():
-            input_image = gr.Image(type="filepath", label="Input")
+            input_image = gr.Image(type="filepath", label="Input Image")
         with gr.Column():
-            output_image = gr.Image(type="numpy", label="Output")
+            output_image = gr.Image(type="numpy", label="Output Image")
+            results_text = gr.Textbox(label="Analysis Results", lines=10, placeholder="Results will appear here...")
 
     analyze_button = gr.Button("Submit")
-    analyze_button.click(fn=predict, inputs=input_image, outputs=output_image)
+    analyze_button.click(fn=predict, inputs=input_image, outputs=[output_image, results_text])
 
 demo.launch()