17.12.2024 - PyTorch

index.html · 1.3 KiB · HTML Raw

1	<!DOCTYPE html>
2	<html lang="en">
3	<head>
4	<meta charset="UTF-8">
5	<meta name="viewport" c initial-scale=1.0">
6	<title>Image Classifier</title>
7	<style>
8	#preview {
9	max-width: 500px;
10	max-height: 500px;
11	margin-top: 20px;
12	}
13	</style>
14	</head>
15	<body>
16	<h1>Wczytaj obraz do klasyfikacji</h1>
17	<form acti method="POST" enctype="multipart/form-data">
18	<input type="file" name="image" id="imageInput" accept="image/*" required>
19	<br>
20	<img id="preview" src="#" alt="Image Preview" none;">
21	<br>
22	<button type="submit">Klasyfikuj</button>
23	</form>
24
25	<script>
26	const imageInput = document.getElementById('imageInput');
27	const preview = document.getElementById('preview');
28
29	imageInput.addEventListener('change', function(event) {
30	const file = event.target.files[0];
31	if (file) {
32	const reader = new FileReader();
33	reader.onload = function(e) {
34	preview.src = e.target.result;
35	preview.style.display = 'block';
36	};
37	reader.readAsDataURL(file);
38	} else {
39	preview.style.display = 'none';
40	}
41	});
42	</script>
43	</body>
44	</html>
45

poziom1.py · 1.9 KiB · Python Raw

1	# Importowanie bibliotek
2	# Torch - głębokie sieci neuronowe (ang. Deep Neural Networks)
3	import torch
4	from torchvision import transforms
5	from PIL import Image
6	import timm
7
8	# Wczytaj model Swin Transformer z biblioteki timm
9	# ta wersja jest wyuczona na zbiorze ImageNet-21k
10	nazwa_modelu = "swin_large_patch4_window7_224"
11	klasyfikator = timm.create_model(nazwa_modelu, pretrained=True)
12	# klasyfikator.eval()
13
14	# Pobierz zbiór ImageNet (1000 klas)
15	import json
16	imagenet_labels_url = "https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json"
17	import requests
18	labels = json.loads(requests.get(imagenet_labels_url).text)
19
20	# Potok przetwarzania obrazu na potrzeby klasyfikatora
21	preprocess = transforms.Compose([
22	transforms.Resize((224, 224)), # model Swin Transformer bierze na wejściu obrazy 224x224
23	transforms.ToTensor(),
24	transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)), # Normalizacja
25	])
26
27
28	def recognize_image(img_path):
29	"""Wczytuje obraz z pliku, przetwarza zgodnie z potokiem preprocess a na koniec klasyfikuje"""
30	img = Image.open(img_path).convert("RGB")
31	# Dodatkowy wymiar na wejściu
32	img_tensor = preprocess(img).unsqueeze(0)
33
34	# Predykcja, czyli przypisanie prawdopodobieństw klas do obrazu wejściowego
35	with torch.no_grad():
36	logits = klasyfikator(img_tensor)
37	probabilities = torch.nn.functional.softmax(logits, dim=-1)
38	top5_prob, top5_catid = torch.topk(probabilities, 5)
39
40	# Przeliczenie prawdopodobieństw na etykiety klas
41	results = [(labels[catid], prob.item()) for catid, prob in zip(top5_catid[0], top5_prob[0])]
42	return results
43
44
45	if __name__ == "__main__":
46	img_path = "obrazek.jpg"
47	wyjscie_klasyfikatora = recognize_image(img_path)
48	for i, (label, confidence) in enumerate(wyjscie_klasyfikatora):
49	print(f"{i + 1}: {label} ({confidence:.2f})")
50

poziom2_flask.py · 2.5 KiB · Python Raw

from flask import Flask, request, render_template, redirect, url_for import torch from torchvision import transforms from PIL import Image import timm import json import requests import os app = Flask(__name__) UPLOAD_FOLDER = 'static/uploads' app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER # Folder na załadowane obrazki os.makedirs(UPLOAD_FOLDER, exist_ok=True) # Wczytaj model Swin Transformer z biblioteki timm # ta wersja jest wyuczona na zbiorze ImageNet-21k nazwa_modelu = "swin_large_patch4_window7_224" klasyfikator = timm.create_model(nazwa_modelu, pretrained=True) #klasyfikator.eval() # Pobierz zbiór ImageNet (1000 klas) imagenet_labels_url = "https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json" labels = json.loads(requests.get(imagenet_labels_url).text) # Potok przetwarzania obrazu na potrzeby klasyfikatora preprocess = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)), ]) def recognize_image(img_path): """ Wczytuje obraz z pliku, przetwarza zgodnie z potokiem preprocess a na koniec klasyfikuje """ img = Image.open(img_path).convert("RGB") # Dodatkowy wymiar na wejściu img_tensor = preprocess(img).unsqueeze(0) # Predykcja, czyli przypisanie prawdopodobieństw klas do obrazu wejściowego with torch.no_grad(): logits = klasyfikator(img_tensor) probabilities = torch.nn.functional.softmax(logits, dim=-1) top5_prob, top5_catid = torch.topk(probabilities, 5) # Przeliczenie prawdopodobieństw na etykiety klas results = [(labels[catid], prob.item()) for catid, prob in zip(top5_catid[0], top5_prob[0])] return results @app.route('/') def index(): return render_template("index.html") @app.route('/', methods=['POST']) def classify_image(): if 'image' not in request.files: return redirect(url_for('index')) image = request.files['image'] if image.filename == '': return redirect(url_for('index')) try: # Zapisz wczytany obraz do katalogu UPLOAD_FOLDER image_path = os.path.join(app.config['UPLOAD_FOLDER'], image.filename) image.save(image_path) # Klasyfikacja wyjscie_klasyfikatora = recognize_image(image_path) return render_template("result.html", image_path=image_path, predictions=wyjscie_klasyfikatora) except Exception as e: return str(e), 500 if __name__ == "__main__": app.run(debug=True)

1	from flask import Flask, request, render_template, redirect, url_for
2	import torch
3	from torchvision import transforms
4	from PIL import Image
5	import timm
6	import json
7	import requests
8	import os
9
10	app = Flask(__name__)
11	UPLOAD_FOLDER = 'static/uploads'
12	app.config['UPLOAD_FOLDER'] = UPLOAD_FOLDER
13
14	# Folder na załadowane obrazki
15	os.makedirs(UPLOAD_FOLDER, exist_ok=True)
16
17	# Wczytaj model Swin Transformer z biblioteki timm
18	# ta wersja jest wyuczona na zbiorze ImageNet-21k
19	nazwa_modelu = "swin_large_patch4_window7_224"
20	klasyfikator = timm.create_model(nazwa_modelu, pretrained=True)
21	#klasyfikator.eval()
22
23	# Pobierz zbiór ImageNet (1000 klas)
24	imagenet_labels_url = "https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json"
25	labels = json.loads(requests.get(imagenet_labels_url).text)
26
27	# Potok przetwarzania obrazu na potrzeby klasyfikatora
28	preprocess = transforms.Compose([
29	transforms.Resize((224, 224)),
30	transforms.ToTensor(),
31	transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),
32	])
33
34	def recognize_image(img_path):
35	"""
36	Wczytuje obraz z pliku, przetwarza zgodnie z potokiem preprocess a na koniec klasyfikuje
37	"""
38	img = Image.open(img_path).convert("RGB")
39	# Dodatkowy wymiar na wejściu
40	img_tensor = preprocess(img).unsqueeze(0)
41
42	# Predykcja, czyli przypisanie prawdopodobieństw klas do obrazu wejściowego
43	with torch.no_grad():
44	logits = klasyfikator(img_tensor)
45	probabilities = torch.nn.functional.softmax(logits, dim=-1)
46	top5_prob, top5_catid = torch.topk(probabilities, 5)
47
48	# Przeliczenie prawdopodobieństw na etykiety klas
49	results = [(labels[catid], prob.item()) for catid, prob in zip(top5_catid[0], top5_prob[0])]
50	return results
51
52	@app.route('/')
53	def index():
54	return render_template("index.html")
55
56	@app.route('/', methods=['POST'])
57	def classify_image():
58	if 'image' not in request.files:
59	return redirect(url_for('index'))
60
61	image = request.files['image']
62	if image.filename == '':
63	return redirect(url_for('index'))
64
65	try:
66	# Zapisz wczytany obraz do katalogu UPLOAD_FOLDER
67	image_path = os.path.join(app.config['UPLOAD_FOLDER'], image.filename)
68	image.save(image_path)
69
70	# Klasyfikacja
71	wyjscie_klasyfikatora = recognize_image(image_path)
72	return render_template("result.html", image_path=image_path, predictions=wyjscie_klasyfikatora)
73	except Exception as e:
74	return str(e), 500
75
76	if __name__ == "__main__":
77	app.run(debug=True)
78

result.html · 531 B · HTML Raw

1	<!DOCTYPE html>
2	<html lang="en">
3	<head>
4	<meta charset="UTF-8">
5	<meta name="viewport" c initial-scale=1.0">
6	<title>Wyniki klasyfikacji</title>
7	</head>
8	<body>
9	<h1>Wyniki klasyfikacji</h1>
10	<img src="{{ image_path }}" alt="Uploaded Image" style="max-width: 500px; max-height: 500px;">
11	<h2>5 najlepszych trafień:</h2>
12	<ol>
13	{% for label, confidence in predictions %}
14	<li>{{ label }}: {{ confidence \| round(2) }}</li>
15	{% endfor %}
16	</ol>
17	<a href="/">Powtórz</a>
18	</body>
19	</html>