Merge pull request #1 from Snipeur060/Snipeur060-tkinterversion

Main program

docs/index.html

@@ -0,0 +1,59 @@
+<div>Teachable Machine Image Model</div>
+<button type="button" onclick="init()">Start</button>
+<div id="webcam-container"></div>
+<div id="label-container"></div>
+<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>
+<script src="https://cdn.jsdelivr.net/npm/@teachablemachine/[email protected]/dist/teachablemachine-image.min.js"></script>
+<script type="text/javascript">
+    // More API functions here:
+    // https://github.com/googlecreativelab/teachablemachine-community/tree/master/libraries/image
+
+    // the link to your model provided by Teachable Machine export panel
+    const URL = "https://github.com/Snipeur060/SpaceAI/tree/main/web/model/";
+
+    let model, webcam, labelContainer, maxPredictions;
+
+    // Load the image model and setup the webcam
+    async function init() {
+        const modelURL = URL + "model.json";
+        const metadataURL = URL + "metadata.json";
+
+        // load the model and metadata
+        // Refer to tmImage.loadFromFiles() in the API to support files from a file picker
+        // or files from your local hard drive
+        // Note: the pose library adds "tmImage" object to your window (window.tmImage)
+        model = await tmImage.load(modelURL, metadataURL);
+        maxPredictions = model.getTotalClasses();
+
+        // Convenience function to setup a webcam
+        const flip = true; // whether to flip the webcam
+        webcam = new tmImage.Webcam(200, 200, flip); // width, height, flip
+        await webcam.setup(); // request access to the webcam
+        await webcam.play();
+        window.requestAnimationFrame(loop);
+
+        // append elements to the DOM
+        document.getElementById("webcam-container").appendChild(webcam.canvas);
+        labelContainer = document.getElementById("label-container");
+        for (let i = 0; i < maxPredictions; i++) { // and class labels
+            labelContainer.appendChild(document.createElement("div"));
+        }
+    }
+
+    async function loop() {
+        webcam.update(); // update the webcam frame
+        await predict();
+        window.requestAnimationFrame(loop);
+    }
+
+    // run the webcam image through the image model
+    async function predict() {
+        // predict can take in an image, video or canvas html element
+        const prediction = await model.predict(webcam.canvas);
+        for (let i = 0; i < maxPredictions; i++) {
+            const classPrediction =
+                prediction[i].className + ": " + prediction[i].probability.toFixed(2);
+            labelContainer.childNodes[i].innerHTML = classPrediction;
+        }
+    }
+</script>

tkinterpythonv/main.py

@@ -0,0 +1,184 @@
+import shutil
+import uuid
+from tkinter import *
+from tkinter import messagebox, filedialog,simpledialog
+from tkinter.ttk import *
+
+import cv2
+import os
+import requests
+
+#on désactive les messages d'erreur de tensorflow (ici on cherche à éviter cuda étant donné que l'on a pas besoin de ses infos. Ainsi on se fiche complètement de l'erreur. Il est donc inutile de l'afficher)
+os.environ["TF_CPP_MIN_LOG_LEVEL"] = "2"
+from keras.models import load_model
+from PIL import Image, ImageOps
+import numpy as np
+from io import BytesIO
+from rich.console import Console
+import time
+lowmodel = load_model('../models/6k_keras_model.h5', compile=False)
+highmodel = load_model('../models/18k_keras_model.h5', compile=False)
+class_names = open('../models/labels.txt', 'r').readlines()
+
+# Create the root window
+root = Tk()
+root.title("AI Rocket Finder")
+
+# le titre
+title = Label(root, text="AI Rocket Finder", font=("Arial", 20))
+title.grid(row=0, column=0, columnspan=3)
+
+#on fait un systeme avec un boutton poru soit choisir un fichier ou soit entrer un lien
+file,link = None,None
+
+def open_file():
+    global file
+    file = filedialog.askopenfilename()
+    print(file)
+
+def open_link():
+    global link
+    link = simpledialog.askstring("Input", "Enter the link", parent=root)
+    print(link)
+
+
+#on fait un boutton pour choisir un fichier
+file_button = Button(root, text="Choose a file", command=open_file)
+file_button.grid(row=1, column=0)
+
+#on fait un boutton pour entrer un lien
+link_button = Button(root, text="Enter a link", command=open_link)
+link_button.grid(row=1, column=1)
+def dlimageandreturndata(url):
+    """
+    Télécharge une image et la retourne sous forme de bytes (selon le format que l'on aura annoncé)
+    :param url:
+    :return:
+    """
+    #on va chercher l'image
+    try:
+        res = requests.get(url, stream=True)
+    except requests.exceptions.ConnectionError:
+        return False
+    #on vérifie que l'url est valide
+    if res.status_code == 200:
+        #on génère un nom aléatoire pour l'image
+        imgname = '/temp/' + str(uuid.uuid4()) + ".png"
+        #on sauvegarde l'image
+        with open(imgname, 'wb') as f:
+            #on copie l'image dans le fichier
+            shutil.copyfileobj(res.raw, f)
+        #on retourne les données de l'image
+        data = open(imgname, 'rb').read()
+        #on supprime l'image avec le nom aléatoire
+        os.remove(imgname)
+        return data
+    else:
+        return False
+def predict(imgdata,predict_model):
+    global file,link
+    if predict_model == "low":
+        model = lowmodel
+    elif predict_model == "high":
+        model = highmodel
+    else:
+        pass
+    try:
+        #on récupère le chemin de l'image
+        #ici
+        #Cela signifie que le tableau a une forme de (1, 224, 224, 3)
+        #Ce qui correspond à une image de taille 224x224 avec 3 canaux de couleur (rouge, vert et bleu).
+        data = np.ndarray(shape=(1, 224, 224, 3), dtype=np.float32)
+
+        # RGBA ce n'est pas possible donc on passe sur dur RGB (suppression du canneau alpha car (rouge, vert et bleu) dans notre array
+        # BytesIO ici permet de lire les données de l'image étant donnée que imgdata n'est pas sauvegardé sur le disque il ne pourra pas être lu par PIL (open)
+        image = Image.open(BytesIO(imgdata)).convert('RGB')
+
+        #on remet l'image à la bonne taille pour notre tableau
+        size = (224, 224)
+        #Petite amélioration dans le but d'avoir des données plus clair
+        image = ImageOps.fit(image, size, Image.LANCZOS)
+
+        #on fait la transformation image --> Tableau
+        image_array = np.asarray(image)
+        #encore un petit coup de filtre pour avoir des données "lissé"
+        image_array = cv2.GaussianBlur(image_array, (5, 5), 0)
+
+        #Dans le traitement d'image , la normalisation est un processus qui modifie la plage des valeurs d'intensité des pixels.
+        normalized_image_array = (image_array.astype(np.float32) / 127.0) - 1
+
+        #On charge la donnée du tableau
+        data[0] = normalized_image_array
+
+        # On lance la prédiction avec keras
+        prediction = model.predict(data)
+        #on v aobtenir l'indice de la classe la plus probable
+        index = np.argmax(prediction)
+        #on récupère le nom de la classe
+        class_name = class_names[index]
+        #le score (la probabilité que l'image soit bien class_name)
+        confidence_score = prediction[0][index]
+        print(class_name)
+        return class_name
+    except Exception as e:
+        print(e)
+        return f"""Erreur: {e}"""
+    finally:
+        file = None
+        link = None
+def recog(data,predict_model):
+    """
+    Analyse une image et affiche le résultat
+    :return: Un resultat sous la forme d'une chaine de caractère exemple : "1 Ariane" -> str
+    """
+    img_path = data
+
+
+    # ajout du support d'une url
+    if img_path.startswith("http"):
+        img_data = dlimageandreturndata(img_path)
+    else:
+        try:
+            img_data = open(img_path, 'rb').read()
+        except:
+            pass
+
+    analyze = predict(img_data, predict_model)
+    if "Erreur" in analyze:
+        print(analyze)
+    else:
+        print(analyze)
+
+
+
+def launchrecognition():
+    global file,link,predict_model
+    if (file is not None and file != "") or link is not None:
+        print("Recognition launched")
+        if file is not None and file != "":
+            print("File: ", file)
+            recog(file,predict_model.get())
+        if link is not None:
+            print("Link: ", link)
+            recog(link,predict_model.get())
+
+    else:
+        messagebox.showerror("Error", "You must choose a file or enter a link")
+
+#select model in combobox with read only
+predict_model = Combobox(root, state="readonly")
+predict_model['values'] = ("low", "high")
+predict_model.current(0)
+predict_model.grid(row=1, column=2)
+
+
+
+
+#on fait un boutton pour lancer le programme
+launch_button = Button(root, text="Launch", command=launchrecognition)
+launch_button.grid(row=1, column=3)
+
+
+
+# Run the application
+root.mainloop()

train/getimage.py

@@ -0,0 +1,58 @@
+import requests
+from PIL.Image import Image
+from bs4 import BeautifulSoup
+import os
+import uuid
+import time
+def download_google_images(query, num_images,where):
+    url = f"https://www.google.com/search?q={query}&source=lnms&hl=en&tbm=isch&asearch=ichunk&async=_id:rg_s,_pms:s,_fmt:pc&sourceid=chrome&ie=UTF-8"
+
+    # Définir l'en-tête de l'utilisateur pour éviter les blocages
+    headers ={'User-Agent':"Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.2357.134 Safari/537.36"}
+
+
+    # Récupérer le contenu HTML de la page de recherche Google Images
+    response = requests.get(url, headers=headers)
+    soup = BeautifulSoup(response.text, 'html.parser')
+
+    # Créer un dossier pour sauvegarder les images
+    if not os.path.exists(where):
+        os.makedirs(where)
+    print(soup)
+    #on save en local
+    try:
+        with open('test.html', 'w') as f:
+            f.write(str(soup))
+    except Exception as e:
+        print(e)
+    # Télécharger les images
+    image_tags = soup.find_all('a', class_='rg_l')
+    print(image_tags)
+    for i, image_tag in enumerate(image_tags[:num_images]):
+        image_url = image_tag['href']
+        #on enleve /imgres?imgurl=
+        image_url = image_url[15:]
+        #on cherche & et on degage tout ce qui suit
+        image_url = image_url.split("&")[0]
+
+        print(image_url)
+        #get image extension
+        image_extension = image_url.split(".")[-1]
+        print(image_extension)
+
+        try:
+            image_data = requests.get(image_url).content
+            uudd = str(uuid.uuid4())
+            with open(f"{where}/image_{uudd}.{image_extension}", 'wb') as f:
+                f.write(image_data)
+                print(f"Image {uudd} téléchargée avec succès")
+        except Exception as e:
+            print(f"Impossible de télécharger l'image {i+1} : {e}")
+
+# Exemple d'utilisation
+search_query = input("Entrez votre recherche : ")
+num_images_to_download = int(input("Combien d'images voulez-vous télécharger ? "))
+where = input("Ou voulez vous les télécharger ? ")
+download_google_images(search_query, num_images_to_download,where)
+
+

web/index.html

@@ -0,0 +1,59 @@
+<div>Teachable Machine Image Model</div>
+<button type="button" onclick="init()">Start</button>
+<div id="webcam-container"></div>
+<div id="label-container"></div>
+<script src="https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]/dist/tf.min.js"></script>
+<script src="https://cdn.jsdelivr.net/npm/@teachablemachine/[email protected]/dist/teachablemachine-image.min.js"></script>
+<script type="text/javascript">
+    // More API functions here:
+    // https://github.com/googlecreativelab/teachablemachine-community/tree/master/libraries/image
+
+    // the link to your model provided by Teachable Machine export panel
+    const URL = "https://github.com/Snipeur060/SpaceAI/tree/main/web/model/";
+
+    let model, webcam, labelContainer, maxPredictions;
+
+    // Load the image model and setup the webcam
+    async function init() {
+        const modelURL = URL + "model.json";
+        const metadataURL = URL + "metadata.json";
+
+        // load the model and metadata
+        // Refer to tmImage.loadFromFiles() in the API to support files from a file picker
+        // or files from your local hard drive
+        // Note: the pose library adds "tmImage" object to your window (window.tmImage)
+        model = await tmImage.load(modelURL, metadataURL);
+        maxPredictions = model.getTotalClasses();
+
+        // Convenience function to setup a webcam
+        const flip = true; // whether to flip the webcam
+        webcam = new tmImage.Webcam(200, 200, flip); // width, height, flip
+        await webcam.setup(); // request access to the webcam
+        await webcam.play();
+        window.requestAnimationFrame(loop);
+
+        // append elements to the DOM
+        document.getElementById("webcam-container").appendChild(webcam.canvas);
+        labelContainer = document.getElementById("label-container");
+        for (let i = 0; i < maxPredictions; i++) { // and class labels
+            labelContainer.appendChild(document.createElement("div"));
+        }
+    }
+
+    async function loop() {
+        webcam.update(); // update the webcam frame
+        await predict();
+        window.requestAnimationFrame(loop);
+    }
+
+    // run the webcam image through the image model
+    async function predict() {
+        // predict can take in an image, video or canvas html element
+        const prediction = await model.predict(webcam.canvas);
+        for (let i = 0; i < maxPredictions; i++) {
+            const classPrediction =
+                prediction[i].className + ": " + prediction[i].probability.toFixed(2);
+            labelContainer.childNodes[i].innerHTML = classPrediction;
+        }
+    }
+</script>

web/model/d

@@ -0,0 +1 @@
+d

web/model/metadata.json

@@ -0,0 +1 @@
+{"tfjsVersion":"1.3.1","tmVersion":"2.4.7","packageVersion":"0.8.4-alpha2","packageName":"@teachablemachine/image","timeStamp":"2024-02-11T18:48:26.271Z","userMetadata":{},"modelName":"tm-my-image-model","labels":["Ariane","Falcon","Saturn","Soyouz","Space Shuttle"],"imageSize":224}