Add application files

README.md

@@ -11,4 +11,98 @@ license: apache-2.0
 short_description: Получение координат углов  на изображениях планов помещений
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+# Plan Points - Детекция комнат по плану помещения
+
+## Описание проекта
+
+**Plan Points** — это проект, который преобразует планы помещений в координаты опорных точек (углов). С использованием предобученной модели YOLO и Gradio, приложение позволяет:
+- Загружать изображение плана помещения
+- Выполнять детекцию объектов класса "room"
+- Выводить аннотированное изображение с наложенными полигонами
+- Отображать список координат углов для каждой обнаруженной комнаты
+
+## Особенности
+
+- **Детекция комнат:** Использование модели YOLO для выявления помещений на плане.
+- **Упрощение полигона:** Оптимизация набора точек для выделения действительных углов комнат.
+- **Gradio-интерфейс:** Удобное веб-приложение для демонстрации работы модели.
+- **Интеграция с Hugging Face Spaces:** Легкое развертывание проекта в облаке.
+
+## Быстрый старт
+
+## Локальный запуск с использованием Docker
+
+Для запуска приложения локально через Docker выполните следующие шаги:
+
+1. **Убедитесь, что у вас установлен Docker.**
+
+2. **Скачайте Docker-образ:**
+
+   ```bash
+   docker pull danielnru/plan_points
+   ```
+
+3. **Запустите контейнер:**
+
+   Если у вас доступен GPU, используйте команду:
+   ```bash
+   docker run --gpus all -p 7860:7860 danielnru/plan_points
+   ```
+   
+   Если GPU не используется, запустите контейнер так:
+   ```bash
+   docker run -p 7860:7860 danielnru/plan_points
+   ```
+
+4. **Откройте приложение в браузере:**
+
+   После успешного запуска контейнера откройте браузер и перейдите по адресу:
+   ```
+   http://localhost:7860
+   ```
+   Здесь вы сможете воспользоваться Gradio-интерфейсом для загрузки изображений и получения результатов детекции комнат.
+
+### Развертывание на Hugging Face Spaces
+
+Проект уже настроен для работы на Hugging Face Spaces. Для развертывания:
+1. Клонируйте репозиторий:
+   ```bash
+   git clone https://huggingface.co/spaces/DanielNRU/plan_points
+   ```
+2. Добавьте или обновите файл `app.py` и `requirements.txt` (если необходимо).
+3. Разместите файл `model.pt` в корневой директории.
+4. Закоммитьте и запушьте изменения:
+   ```bash
+   git add .
+   git commit -m "Обновление приложения"
+   git push
+   ```
+После сборки ваш Space будет доступен по соответствующему URL.
+
+## Структура проекта
+
+```
+.
+├── app.py               # Основное приложение Gradio
+├── model.pt             # Файл весов модели YOLO
+├── requirements.txt     # Зависимости Python
+└── README.md            # Описание проекта
+```
+
+## Зависимости
+
+Проект использует следующие Python-библиотеки:
+- **gradio** – для создания веб-интерфейса
+- **opencv-python-headless** – для работы с изображениями
+- **numpy** – для математических операций
+- **ultralytics** – для работы с моделью YOLO
+- **torch** и **torchvision** – для работы с deep learning моделями
+
+Все зависимости перечислены в файле [requirements.txt](requirements.txt).
+
+## Контакты
+
+**Разработчик:**  
+Мельник Даниил Владимирович  
+[GitHub: DanielNRU](https://github.com/DanielNRU)  
+[Hugging Face: DanielNRU](https://huggingface.co/DanielNRU)

app.py

@@ -0,0 +1,101 @@
+import os
+import cv2
+import numpy as np
+import gradio as gr
+from ultralytics import YOLO
+
+def simplify_polygon(points, tol_ratio=0.02):
+    """
+    Упрощает полигон с помощью аппроксимации по Перу.
+    
+    Параметры:
+        points (np.ndarray): Исходный набор точек полигона (Nx2).
+        tol_ratio (float): Коэффициент допуска для аппроксимации.
+        
+    Возвращает:
+        np.ndarray: Упрощённый набор точек полигона.
+    """
+    pts = points.reshape((-1, 1, 2)).astype(np.float32)
+    perimeter = cv2.arcLength(pts, True)
+    epsilon = tol_ratio * perimeter
+    approx = cv2.approxPolyDP(pts, epsilon, True)
+    return approx.reshape(-1, 2)
+
+# Загружаем модель YOLO (файл model.pt должен находиться в корневой директории Space)
+model_path = os.path.join(os.getcwd(), "model.pt")
+model12 = YOLO(model_path)
+
+def process_image(image):
+    """
+    Обрабатывает изображение:
+      - Выполняет предсказание модели YOLO для детекции комнат.
+      - Рисует упрощённые полигоны (с углами) для объектов класса 'room' (id = 2).
+      - Формирует текст со списком координат углов.
+      
+    Параметры:
+        image (np.ndarray): Исходное изображение.
+        
+    Возвращает:
+        annotated_img (np.ndarray): Изображение с нанесёнными аннотациями.
+        coord_text (str): Текст с координатами углов.
+    """
+    pred_results = list(model12.predict(source=image, imgsz=640))
+    if len(pred_results) == 0:
+        return image, "Ошибка: предсказания не получены."
+    
+    pred = pred_results[0]
+    if pred.masks is None or pred.boxes is None:
+        return image, "На изображении объекты не обнаружены."
+    
+    # Преобразуем исходное изображение в RGB для корректного отображения
+    orig_img = pred.orig_img
+    if orig_img.shape[2] == 3:
+        original_rgb = cv2.cvtColor(orig_img.copy(), cv2.COLOR_BGR2RGB)
+    else:
+        original_rgb = orig_img.copy()
+    annotated_img = original_rgb.copy()
+    
+    # Извлекаем полигоны и классы
+    polygons = pred.masks.xy
+    class_ids = pred.boxes.cls.cpu().numpy()
+    
+    coordinates_list = []
+    for idx, polygon in enumerate(polygons):
+        class_id = int(class_ids[idx])
+        if class_id == 2:  # Обрабатываем только объекты класса "room"
+            poly_np = np.array(polygon, dtype=np.float32)
+            simplified_poly = simplify_polygon(poly_np, tol_ratio=0.005)
+            coordinates_list.append({
+                "object": idx + 1,
+                "class": class_id,
+                "coordinates": [(float(pt[0]), float(pt[1])) for pt in simplified_poly]
+            })
+            cv2.polylines(annotated_img, [simplified_poly.astype(np.int32)], isClosed=True, color=(0, 255, 0), thickness=2)
+            for point in simplified_poly:
+                cv2.circle(annotated_img, (int(point[0]), int(point[1])), 3, (255, 0, 0), -1)
+    
+    if coordinates_list:
+        coord_text = ""
+        for item in coordinates_list:
+            coord_text += f"Координаты углов в комнате №: {item['object']}\n"
+            for coord in item['coordinates']:
+                coord_text += f"({coord[0]:.2f}, {coord[1]:.2f})\n"
+            coord_text += "-" * 30 + "\n"
+    else:
+        coord_text = "На изображении не обнаружены комнаты."
+    
+    return annotated_img, coord_text
+
+# Создаем Gradio-интерфейс
+iface = gr.Interface(
+    fn=process_image,
+    inputs=gr.Image(type="numpy", label="Исходное изображение"),
+    outputs=[
+        gr.Image(type="numpy", label="Изображение с обнаруженными комнатами"),
+        gr.Textbox(label="Координаты углов комнат", lines=10)
+    ],
+    title="Детекция комнат с использованием YOLO и Gradio",
+    description="Загрузите изображение для детекции комнат и отображения углов."
+)
+
+iface.launch()

model.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d9a000df42bfa514abacd6278a7f23e6eeb156013c1dc35e6da6f5dcca3274de
+size 20493853

requirements.txt

@@ -0,0 +1,4 @@
+gradio==4.44.1
+numpy==1.24.4
+ultralytics==8.3.78
+opencv-python-headless==4.10.0.84