Update app.py

app.py

@@ -1,111 +1,93 @@
-import cv2  # مكتبة للتعامل مع الفيديو والصور
-import torch  # مكتبة للتعلم العميق
-from PIL import Image, ImageDraw  # مكتبة لتحرير الصور
-import gradio as gr  # مكتبة لإنشاء واجهات تفاعلية
-import pandas as pd  # مكتبة للتعامل مع البيانات
-from transformers import pipeline  # مكتبة للترجمة
-
-# تحميل نموذج YOLOv5 من مكتبة ultralytics
-model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
+import cv2
+import torch
+from PIL import Image, ImageDraw
+import gradio as gr
+import pandas as pd
+from transformers import pipeline
 
-# تحميل نموذج الترجمة من الإنجليزية إلى العربية
+model = torch.hub.load('ultralytics/yolov5', 'yolov5s')
 translator = pipeline("translation_en_to_ar", model="Helsinki-NLP/opus-mt-en-ar")
 
-# دالة لاكتشاف الكائنات ورسم الإطارات في الصور
 def detect_and_draw_image(input_image):
-    results = model(input_image)  # تنفيذ الكشف عن الكائنات
-    detections = results.xyxy[0].numpy()  # الحصول على النتائج كـ مصفوفة NumPy
-
-    draw = ImageDraw.Draw(input_image)  # إنشاء كائن للرسم على الصورة
-
-    counts = {}  # قاموس لتخزين عدد الكائنات
-    for detection in detections:  # معالجة كل كشف
-        xmin, ymin, xmax, ymax, conf, class_id = detection  # استخراج معلومات الكشف
-        label = model.names[int(class_id)]  # الحصول على اسم الكائن
-        counts[label] = counts.get(label, 0) + 1  # تحديث عدد الكائنات
-
-        draw.rectangle([(xmin, ymin), (xmax, ymax)], outline="red", width=2)  # رسم الإطار
-        draw.text((xmin, ymin), f"{label}: {conf:.2f}", fill="white")  # كتابة التسمية والنسبة
+    results = model(input_image)
+    detections = results.xyxy[0].numpy()
+    
+    draw = ImageDraw.Draw(input_image)
+    counts = {}
+    for detection in detections:
+        xmin, ymin, xmax, ymax, conf, class_id = detection
+        label = model.names[int(class_id)]
+        counts[label] = counts.get(label, 0) + 1
+        
+        draw.rectangle([(xmin, ymin), (xmax, ymax)], outline="red", width=2)
+        draw.text((xmin, ymin), f"{label}: {conf:.2f}", fill="white")
 
-    # ترجمة التسميات إلى العربية
     translated_labels = translator(list(counts.keys()))
-
-    # إنشاء DataFrame لتخزين النتائج
     df = pd.DataFrame({
         'Label (English)': list(counts.keys()),
         'Label (Arabic)': [t['translation_text'] for t in translated_labels],
         'Object Count': list(counts.values())
     })
 
-    return input_image, df  # إرجاع الصورة المعدلة وDataFrame
+    return input_image, df
 
-# دالة لاكتشاف الكائنات ورسم الإطارات في الفيديو
 def detect_and_draw_video(video_path):
-    cap = cv2.VideoCapture(video_path)  # فتح الفيديو
-    frames = []  # قائمة لتخزين الإطارات
-    overall_counts = {}  # قاموس لتخزين عدد الكائنات الإجمالية
+    cap = cv2.VideoCapture(video_path)
+    frames = []
+    overall_counts = {}
 
-    while cap.isOpened():  # معالجة كل إطار حتى نهاية الفيديو
-        ret, frame = cap.read()  # قراءة الإطار
-        if not ret:  # إذا لم يتم قراءة الإطار، الخروج من الحلقة
+    while cap.isOpened():
+        ret, frame = cap.read()
+        if not ret:
             break
 
-        frame = cv2.resize(frame, (640, 480))  # تغيير حجم الإطار لتسهيل المعالجة
-        results = model(frame)  # تنفيذ الكشف عن الكائنات
-        detections = results.xyxy[0].numpy()  # الحصول على النتائج
+        frame = cv2.resize(frame, (640, 480))
+        results = model(frame)
+        detections = results.xyxy[0].numpy()
 
-        for detection in detections:  # معالجة كل كشف
+        for detection in detections:
             xmin, ymin, xmax, ymax, conf, class_id = detection
-            label = model.names[int(class_id)]  # الحصول على اسم الكائن
-            overall_counts[label] = overall_counts.get(label, 0) + 1  # تحديث عدد الكائنات
-
-            # رسم الإطار والنص على الفيديو
+            label = model.names[int(class_id)]
+            overall_counts[label] = overall_counts.get(label, 0) + 1
+            
             cv2.rectangle(frame, (int(xmin), int(ymin)), (int(xmax), int(ymax)), (255, 0, 0), 2)
             cv2.putText(frame, f"{label}: {conf:.2f}", (int(xmin), int(ymin) - 10), 
                         cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
 
-        frames.append(frame)  # إضافة الإطار إلى القائمة
-
-    cap.release()  # إغلاق الفيديو
+        frames.append(frame)
 
-    output_path = 'output.mp4'  # مسار الفيديو الناتج
-    out = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*'mp4v'), 20.0, (640, 480))  # إنشاء كائن لكتابة الفيديو
+    cap.release()
+    output_path = 'output.mp4'
+    out = cv2.VideoWriter(output_path, cv2.VideoWriter_fourcc(*'mp4v'), 20.0, (640, 480))
 
-    for frame in frames:  # كتابة الإطارات إلى ملف الفيديو
+    for frame in frames:
         out.write(frame)
-    out.release()  # إغلاق ملف الفيديو
+    out.release()
 
-    # ترجمة التسميات إلى العربية
     translated_labels = translator(list(overall_counts.keys()))
-
-    # إنشاء DataFrame لتخزين النتائج
     df = pd.DataFrame({
         'Label (English)': list(overall_counts.keys()),
         'Label (Arabic)': [t['translation_text'] for t in translated_labels],
         'Object Count': list(overall_counts.values())
     })
 
-    return output_path, df  # إرجاع مسار الفيديو وDataFrame
+    return output_path, df
 
-# إنشاء واجهات لتطبيق Gradio
 image_interface = gr.Interface(
-    fn=detect_and_draw_image,  # الدالة الخاصة بمعالجة الصور
-    inputs=gr.Image(type="pil", label="Upload Image"),  # إدخال صورة
-    outputs=[gr.Image(type="pil"), gr.Dataframe(label="Object Counts")],  # إخراج الصورة وDataFrame
-    title="Object Detection for Images",  # عنوان الواجهة
-    description="Upload an image to see the objects detected by YOLOv5 with bounding boxes and their counts."  # وصف الواجهة
+    fn=detect_and_draw_image,
+    inputs=gr.Image(type="pil", label="Upload Image"),
+    outputs=[gr.Image(type="pil"), gr.Dataframe(label="Object Counts")],
+    title="Object Detection for Images",
+    description="Upload an image to see the objects detected and their counts."
 )
 
 video_interface = gr.Interface(
-    fn=detect_and_draw_video,  # الدالة الخاصة بمعالجة الفيديو
-    inputs=gr.Video(label="Upload Video"),  # إدخال فيديو
-    outputs=[gr.Video(label="Processed Video"), gr.Dataframe(label="Object Counts")],  # إخراج الفيديو وDataFrame
-    title="Object Detection for Videos",  # عنوان الواجهة
-    description="Upload a video to see the objects detected by YOLOv5 with bounding boxes and their counts."  # وصف الواجهة
+    fn=detect_and_draw_video,
+    inputs=gr.Video(label="Upload Video"),
+    outputs=[gr.Video(label="Processed Video"), gr.Dataframe(label="Object Counts")],
+    title="Object Detection for Videos",
+    description="Upload a video to see the objects detected and their counts."
 )
 
-# دمج الواجهات في تطبيق واحد
 app = gr.TabbedInterface([image_interface, video_interface], ["Image Detection", "Video Detection"])
-
-# تشغيل التطبيق
-app.launch(debug=True)  # إطلاق التطبيق مع تمكين وضع التصحيح
+app.launch(debug=True)