Upload 2 files

app(22).py

@@ -0,0 +1,84 @@
+import os
+import cv2
+import torch
+from model import U2NET
+from torch.autograd import Variable
+import numpy as np
+from huggingface_hub import hf_hub_download
+import gradio as gr
+
+# Hàm phát hiện một khuôn mặt duy nhất
+def detect_single_face(face_cascade, img):
+    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+    faces = face_cascade.detectMultiScale(gray, 1.1, 4)
+    if len(faces) == 0:
+        print("Warning: No face detected, running on the whole image!")
+        return None
+    wh, idx = 0, 0
+    for i, (x, y, w, h) in enumerate(faces):
+        if w * h > wh:
+            idx, wh = i, w * h
+    return faces[idx]
+
+# Hàm cắt và chuẩn hóa khuôn mặt
+def crop_face(img, face):
+    if face is None:
+        return img
+    (x, y, w, h) = face
+    height, width = img.shape[:2]
+    lpad, rpad, tpad, bpad = int(w * 0.4), int(w * 0.4), int(h * 0.6), int(h * 0.2)
+    left, right = max(0, x - lpad), min(width, x + w + rpad)
+    top, bottom = max(0, y - tpad), min(height, y + h + bpad)
+    im_face = img[top:bottom, left:right]
+    if len(im_face.shape) == 2:
+        im_face = np.repeat(im_face[:, :, np.newaxis], 3, axis=2)
+    im_face = np.pad(im_face, ((tpad, bpad), (lpad, rpad), (0, 0)), mode='constant', constant_values=255)
+    im_face = cv2.resize(im_face, (512, 512), interpolation=cv2.INTER_AREA)
+    return im_face
+
+# Chuẩn hóa dự đoán
+def normPRED(d):
+    return (d - torch.min(d)) / (torch.max(d) - torch.min(d))
+
+# Hàm suy luận với U2NET
+def inference(net, input_img):
+    input_img = input_img / np.max(input_img)
+    tmpImg = np.zeros((input_img.shape[0], input_img.shape[1], 3))
+    tmpImg[:, :, 0] = (input_img[:, :, 2] - 0.406) / 0.225
+    tmpImg[:, :, 1] = (input_img[:, :, 1] - 0.456) / 0.224
+    tmpImg[:, :, 2] = (input_img[:, :, 0] - 0.485) / 0.229
+    tmpImg = torch.from_numpy(tmpImg.transpose((2, 0, 1))[np.newaxis, :, :, :]).type(torch.FloatTensor)
+    tmpImg = Variable(tmpImg.cuda() if torch.cuda.is_available() else tmpImg)
+    d1, _, _, _, _, _, _ = net(tmpImg)
+    pred = normPRED(1.0 - d1[:, 0, :, :])
+    return pred.cpu().data.numpy().squeeze()
+
+# Hàm chính để xử lý ảnh đầu vào và trả về ảnh chân dung
+def process_image(img):
+    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")
+    face = detect_single_face(face_cascade, img)
+    cropped_face = crop_face(img, face)
+    result = inference(u2net, cropped_face)
+    return (result * 255).astype(np.uint8)
+
+# Tải mô hình từ Hugging Face Hub
+def load_u2net_model():
+    model_path = hf_hub_download(repo_id="Arrcttacsrks/U2net", filename="u2net_portrait.pth", use_auth_token=os.getenv("HF_TOKEN"))
+    net = U2NET(3, 1)
+    net.load_state_dict(torch.load(model_path, map_location="cuda" if torch.cuda.is_available() else "cpu"))
+    net.eval()
+    return net
+
+# Khởi tạo mô hình U2NET
+u2net = load_u2net_model()
+
+# Tạo giao diện với Gradio
+iface = gr.Interface(
+    fn=process_image,
+    inputs=gr.Image(type="numpy", label="Upload your image"),
+    outputs=gr.Image(type="numpy", label="Portrait Result"),
+    title="Portrait Generation with U2NET",
+    description="Upload an image to generate its portrait."
+)
+
+iface.launch()

app(23).py

@@ -0,0 +1,111 @@
+import os
+import cv2
+import torch
+from model import U2NET
+from torch.autograd import Variable
+import numpy as np
+from huggingface_hub import hf_hub_download
+import gradio as gr
+
+# Hàm phát hiện một khuôn mặt duy nhất
+def detect_single_face(face_cascade, img):
+    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+    faces = face_cascade.detectMultiScale(gray, 1.1, 4)
+    if len(faces) == 0:
+        print("Warning: No face detected, running on the whole image!")
+        return None
+    wh, idx = 0, 0
+    for i, (x, y, w, h) in enumerate(faces):
+        if w * h > wh:
+            idx, wh = i, w * h
+    return faces[idx]
+
+# Hàm cắt và chuẩn hóa khuôn mặt
+def crop_face(img, face):
+    if face is None:
+        return img
+    (x, y, w, h) = face
+    height, width = img.shape[:2]
+    lpad, rpad, tpad, bpad = int(w * 0.4), int(w * 0.4), int(h * 0.6), int(h * 0.2)
+    left, right = max(0, x - lpad), min(width, x + w + rpad)
+    top, bottom = max(0, y - tpad), min(height, y + h + bpad)
+    im_face = img[top:bottom, left:right]
+    if len(im_face.shape) == 2:
+        im_face = np.repeat(im_face[:, :, np.newaxis], 3, axis=2)
+    im_face = np.pad(im_face, ((tpad, bpad), (lpad, rpad), (0, 0)), mode='constant', constant_values=255)
+    im_face = cv2.resize(im_face, (512, 512), interpolation=cv2.INTER_AREA)
+    return im_face
+
+# Chuẩn hóa dự đoán
+def normPRED(d):
+    return (d - torch.min(d)) / (torch.max(d) - torch.min(d))
+
+# Hàm suy luận với U2NET
+def inference(net, input_img):
+    input_img = input_img / np.max(input_img)
+    tmpImg = np.zeros((input_img.shape[0], input_img.shape[1], 3))
+    tmpImg[:, :, 0] = (input_img[:, :, 2] - 0.406) / 0.225
+    tmpImg[:, :, 1] = (input_img[:, :, 1] - 0.456) / 0.224
+    tmpImg[:, :, 2] = (input_img[:, :, 0] - 0.485) / 0.229
+    tmpImg = torch.from_numpy(tmpImg.transpose((2, 0, 1))[np.newaxis, :, :, :]).type(torch.FloatTensor)
+    tmpImg = Variable(tmpImg.cuda() if torch.cuda.is_available() else tmpImg)
+    d1, _, _, _, _, _, _ = net(tmpImg)
+    pred = normPRED(1.0 - d1[:, 0, :, :])
+    return pred.cpu().data.numpy().squeeze()
+
+# Hàm chính để xử lý ảnh đầu vào và trả về ảnh chân dung
+def process_image(img, apply_bw, brightness, contrast, saturation, white_balance, hue, highlights_shadows, sharpness, noise_reduction,
+                  apply_adjustments):
+    # Chuyển ảnh sang đen trắng nếu cần
+    if apply_bw:
+        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
+        img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
+    
+    # Áp dụng các điều chỉnh nếu được yêu cầu
+    if apply_adjustments:
+        # Độ sáng và Độ tương phản
+        img = cv2.convertScaleAbs(img, alpha=contrast / 50.0, beta=brightness - 50)
+        
+        # Độ bão hòa, Cân bằng trắng, và các điều chỉnh khác (phải tự viết hàm hoặc sử dụng thư viện chuyên biệt)
+        # Placeholder cho các điều chỉnh cần thiết ở đây
+    
+    # Phát hiện và cắt khuôn mặt
+    face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")
+    face = detect_single_face(face_cascade, img)
+    cropped_face = crop_face(img, face)
+    result = inference(u2net, cropped_face)
+    return (result * 255).astype(np.uint8)
+
+# Tải mô hình từ Hugging Face Hub
+def load_u2net_model():
+    model_path = hf_hub_download(repo_id="Arrcttacsrks/U2net", filename="u2net_portrait.pth", use_auth_token=os.getenv("HF_TOKEN"))
+    net = U2NET(3, 1)
+    net.load_state_dict(torch.load(model_path, map_location="cuda" if torch.cuda.is_available() else "cpu"))
+    net.eval()
+    return net
+
+# Khởi tạo mô hình U2NET
+u2net = load_u2net_model()
+
+# Tạo giao diện với Gradio
+iface = gr.Interface(
+    fn=process_image,
+    inputs=[
+        gr.Image(type="numpy", label="Upload your image"),
+        gr.Checkbox(label="Black & White Image"),
+        gr.Slider(0, 100, value=50, label="Brightness"),
+        gr.Slider(0, 100, value=50, label="Contrast"),
+        gr.Slider(0, 100, value=50, label="Saturation"),
+        gr.Slider(0, 100, value=50, label="White Balance"),
+        gr.Slider(0, 100, value=50, label="Hue"),
+        gr.Slider(0, 100, value=50, label="Highlights and Shadows"),
+        gr.Slider(0, 100, value=50, label="Sharpness"),
+        gr.Slider(0, 100, value=50, label="Noise Reduction"),
+        gr.Checkbox(label="Apply Adjustments")
+    ],
+    outputs=gr.Image(type="numpy", label="Portrait Result"),
+    title="Portrait Generation with U2NET",
+    description="Upload an image to generate its portrait with optional adjustments."
+)
+
+iface.launch()