app.py

import gradio as gr
from ultralytics import YOLO
import cv2
import tempfile

# Carregar o modelo YOLOv8
model = YOLO("yolov8n.pt")  # Você pode usar 'yolov8s.pt', 'yolov8m.pt', etc., dependendo do seu requisito

def detect_objects(video_path):
    # Abrir o vídeo de entrada
    cap = cv2.VideoCapture(video_path)
    if not cap.isOpened():
        raise ValueError("Não foi possível abrir o vídeo.")
    
    # Criar um arquivo temporário para salvar o vídeo processado
    output_path = tempfile.NamedTemporaryFile(suffix=".mp4", delete=False).name
    fourcc = cv2.VideoWriter_fourcc(*'mp4v')
    out = cv2.VideoWriter(output_path, fourcc, 30.0, (int(cap.get(3)), int(cap.get(4))))
    
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret:
            break
        
        # Realizar a detecção de objetos
        results = model(frame)
        annotated_frame = results[0].plot()  # Obter o frame com as detecções
        
        # Escrever o frame processado no vídeo de saída
        out.write(annotated_frame)
    
    # Liberar os recursos
    cap.release()
    out.release()
    
    # Retornar o caminho do vídeo de entrada e do vídeo processado
    return video_path, output_path

# Usar gr.Blocks para criar uma interface personalizada
with gr.Blocks() as demo:
    gr.Markdown("# Detecção de Objetos com YOLOv8")
    gr.Markdown("Carregue um vídeo curto para detectar objetos usando YOLOv8. Os vídeos de entrada e saída serão exibidos lado a lado.")
    
    with gr.Row():
        input_video = gr.Video(label="Vídeo de Entrada")
        output_video = gr.Video(label="Vídeo com Detecção de Objetos")
    
    detect_button = gr.Button("Detectar Objetos")
    
    def process_and_display(video_path):
        original_video, processed_video = detect_objects(video_path)
        return original_video, processed_video
    
    detect_button.click(
        fn=process_and_display,
        inputs=input_video,
        outputs=[input_video, output_video]
    )

# Iniciar a interface
demo.launch()