Upload 2 files

app.py

@@ -0,0 +1,126 @@
+# app_yolo11_blur_nomargin.py
+from pathlib import Path
+import cv2
+import numpy as np
+import gradio as gr
+from ultralytics import YOLO
+from huggingface_hub import hf_hub_download
+
+
+# ===== CONFIG =====
+DEVICE = "cpu"            # "cpu" ou "cuda:0"
+CONF_DEFAULT = 0.30
+IOU_DEFAULT  = 0.50
+
+weights_path = hf_hub_download(
+    repo_id="morsetechlab/yolov11-license-plate-detection",
+    filename="license-plate-finetune-v1l.pt"
+)
+model = YOLO(weights_path)
+
+# ===== BLUR SANS MARGE =====
+def blur_bbox_nomargin(img, x1, y1, x2, y2, blur_strength=0.24, feather=8):
+    """
+    Floute exactement la bbox YOLO (aucune marge).
+    - feather (px) : adoucit seulement À L'INTÉRIEUR du rectangle (pas de débordement).
+      Mets 0 pour un bord net.
+    """
+    H, W = img.shape[:2]
+    x1, y1 = max(0, x1), max(0, y1)
+    x2, y2 = min(W, x2), min(H, y2)
+    w, h = x2 - x1, y2 - y1
+    if w <= 0 or h <= 0:
+        return img
+
+    # flou global (on compositera avec un masque)
+    k = int(max(w, h) * blur_strength)
+    k = max(31, (k // 2) * 2 + 1)  # impair, min 31 pour un rendu smooth
+    blurred_full = cv2.GaussianBlur(img, (k, k), 0)
+
+    # masque rectangulaire strict (aucune marge)
+    mask = np.zeros((H, W), dtype=np.uint8)
+    cv2.rectangle(mask, (x1, y1), (x2, y2), 255, thickness=-1)
+
+    if feather > 0:
+        # Feather interne (ne dépasse pas le rectangle) via distance transform
+        # alpha = 1 au cœur, 0 au bord du rectangle, transition sur 'feather' px
+        # (évite l'élargissement qu'on aurait avec un simple Gaussian sur le masque)
+        obj = (mask > 0).astype(np.uint8)  # 0/1
+        dist = cv2.distanceTransform(obj, distanceType=cv2.DIST_L2, maskSize=3)
+        # clips: 0..feather -> 0..1
+        alpha = np.clip(dist / float(feather), 0.0, 1.0)
+    else:
+        alpha = (mask.astype(np.float32) / 255.0)
+
+    alpha = alpha[..., None]  # HxWx1
+    out = (alpha * blurred_full + (1.0 - alpha) * img).astype(np.uint8)
+    return out
+
+# ===== PIPELINE =====
+def anonymize(image, conf=CONF_DEFAULT, iou=IOU_DEFAULT, blur_strength=0.24, feather=8):
+    if image is None:
+        return None, "Aucune image."
+    bgr = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
+
+    results = model.predict(source=bgr, conf=conf, iou=iou, device=DEVICE, verbose=False)
+
+    out = bgr.copy()
+    total = 0
+    for r in results:
+        if r.boxes is None:
+            continue
+        for (x1, y1, x2, y2) in r.boxes.xyxy.cpu().numpy().astype(int):
+            # Ajuste feather si la bbox est trop petite
+            w, h = x2 - x1, y2 - y1
+            f_eff = min(feather, max(w // 2 - 1, 0), max(h // 2 - 1, 0))
+            out = blur_bbox_nomargin(out, x1, y1, x2, y2,
+                                     blur_strength=blur_strength,
+                                     feather=f_eff)
+            total += 1
+
+    out_rgb = cv2.cvtColor(out, cv2.COLOR_BGR2RGB)
+    
+    if total == 0:
+        log = "🔍 Aucune plaque d'immatriculation détectée dans cette image"
+    elif total == 1:
+        log = f"✅ 1 plaque anonymisée avec succès (Confiance: {conf:.0%}, Flou: {blur_strength:.0%})"
+    else:
+        log = f"✅ {total} plaques anonymisées avec succès (Confiance: {conf:.0%}, Flou: {blur_strength:.0%})"
+    
+    return out_rgb, log
+
+# ===== UI =====
+with gr.Blocks(title="Anonymisation Automatique de Plaques d'Immatriculation") as demo:
+    gr.Markdown("""
+    # 🚗 Anonymisation Automatique de Plaques d'Immatriculation
+    
+    **Détection et floutage intelligent des plaques avec IA**
+    
+    📋 **Instructions :**
+    1. Téléchargez ou glissez-déposez votre image
+    2. L'anonymisation se fait automatiquement
+                
+    """)
+    
+    with gr.Row():
+        with gr.Column():
+            gr.Markdown("### 📤 **Image à traiter**")
+            inp = gr.Image(type="numpy", label="Sélectionnez votre image", height=400)
+           
+            btn = gr.Button("🔒 Anonymiser l'image", variant="primary", size="lg")
+            
+        with gr.Column():
+            gr.Markdown("### 📥 **Résultat**")
+            out_img = gr.Image(type="numpy", label="Image anonymisée", height=400)
+            out_log = gr.Textbox(
+                label="📊 Rapport de traitement", 
+                interactive=False,
+                info="Détails sur le nombre de plaques détectées et les paramètres utilisés"
+            )
+
+    btn.click(anonymize, [inp], [out_img, out_log])
+    inp.change(anonymize, [inp], [out_img, out_log])
+
+if __name__ == "__main__":
+    import os
+    demo.launch(server_name="0.0.0.0", server_port=int(os.getenv("PORT", "7860")))