Like 0
Fork 0

Last active 1734422313

GGORG revised this gist 1734422312. Go to revision

4 files changed, 5 insertions, 5 deletions

index.html

@@ -2,7 +2,7 @@
2 2 <html lang="en">
3 3 <head>
4 4 <meta charset="UTF-8">
5 - <meta name="viewport" c initial-scale=1.0">
5 + <meta name="viewport" content="width=device-width, initial-scale=1.0">
6 6 <title>Image Classifier</title>
7 7 <style>
8 8 #preview {
@@ -14,7 +14,7 @@
14 14 </head>
15 15 <body>
16 16 <h1>Wczytaj obraz do klasyfikacji</h1>
17 - <form acti method="POST" enctype="multipart/form-data">
17 + <form active method="POST" enctype="multipart/form-data">
18 18 <input type="file" name="image" id="imageInput" accept="image/*" required>
19 19 <br>
20 20 <img id="preview" src="#" alt="Image Preview" style="display: none;">

poziom1.py

@@ -9,7 +9,7 @@ import timm
9 9 # ta wersja jest wyuczona na zbiorze ImageNet-21k
10 10 nazwa_modelu = "swin_large_patch4_window7_224"
11 11 klasyfikator = timm.create_model(nazwa_modelu, pretrained=True)
12 - # klasyfikator.eval&#40;&#41;
12 + # klasyfikator.eval()
13 13
14 14 # Pobierz zbiór ImageNet (1000 klas)
15 15 import json

poziom2_flask.py

@@ -18,7 +18,7 @@ os.makedirs(UPLOAD_FOLDER, exist_ok=True)
18 18 # ta wersja jest wyuczona na zbiorze ImageNet-21k
19 19 nazwa_modelu = "swin_large_patch4_window7_224"
20 20 klasyfikator = timm.create_model(nazwa_modelu, pretrained=True)
21 - #klasyfikator.eval&#40;&#41;
21 + #klasyfikator.eval()
22 22
23 23 # Pobierz zbiór ImageNet (1000 klas)
24 24 imagenet_labels_url = "https://raw.githubusercontent.com/anishathalye/imagenet-simple-labels/master/imagenet-simple-labels.json"

result.html

@@ -2,7 +2,7 @@
2 2 <html lang="en">
3 3 <head>
4 4 <meta charset="UTF-8">
5 - <meta name="viewport" c initial-scale=1.0">
5 + <meta name="viewport" content="width=device-width, initial-scale=1.0">
6 6 <title>Wyniki klasyfikacji</title>
7 7 </head>
8 8 <body>

GGORG revised this gist 1734422223. Go to revision

1 file changed, 1 insertion, 1 deletion

index.html

@@ -17,7 +17,7 @@
17 17 <form acti method="POST" enctype="multipart/form-data">
18 18 <input type="file" name="image" id="imageInput" accept="image/*" required>
19 19 <br>
20 - <img id="preview" src="#" alt="Image Preview" none;">
20 + <img id="preview" src="#" alt="Image Preview" style="display: none;">
21 21 <br>
22 22 <button type="submit">Klasyfikuj</button>
23 23 </form>

GGORG revised this gist 1734422165. Go to revision

1 file changed, 1 insertion, 1 deletion

result.html

@@ -7,7 +7,7 @@
7 7 </head>
8 8 <body>
9 9 <h1>Wyniki klasyfikacji</h1>
10 - <img src="{{ image_path }}" alt="Uploaded Image" 500px; max-height: 500px;">
10 + <img src="{{ image_path }}" alt="Uploaded Image" style="max-width: 500px; max-height: 500px;">
11 11 <h2>5 najlepszych trafień:</h2>
12 12 <ol>
13 13 {% for label, confidence in predictions %}

GGORG revised this gist 1734421710. Go to revision

3 files changed, 65 insertions, 1 deletion

index.html(file created)

@@ -0,0 +1,45 @@
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 +

poziom2_flask.py

@@ -53,7 +53,7 @@ def recognize_image(img_path):
53 53 def index():
54 54 return render_template("index.html")
55 55
56 - @app.route('/classify', methods=['POST'])
56 + @app.route('/', methods=['POST'])
57 57 def classify_image():
58 58 if 'image' not in request.files:
59 59 return redirect(url_for('index'))

result.html(file created)

@@ -0,0 +1,19 @@
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" 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>

GGORG revised this gist 1734420890. Go to revision

2 files changed, 128 insertions

poziom1.py(file created)

@@ -0,0 +1,50 @@
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&#40;&#41;
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(file created)

@@ -0,0 +1,78 @@
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&#40;&#41;
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('/classify', 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 +
Newer Older

Powered by Opengist ⋅ Load: 58ms⋅

English