Update app.py

app.py

@@ -27,9 +27,10 @@ def analyze_image(image, prompt):
     with torch.no_grad():
         outputs = model(**inputs)
 
-    # Einfache Bildanalyse mit OpenCV (Konturen für Objekte)
+    # Verbesserte Bildanalyse mit OpenCV
     gray = cv2.cvtColor(image_cv, cv2.COLOR_BGR2GRAY)
-    _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
+    # Adaptiver Schwellenwert für bessere Konturenerkennung
+    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
     contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
 
     # Analysiere das Bild basierend auf dem Prompt
@@ -38,8 +39,8 @@ def analyze_image(image, prompt):
         if len(contours) == 0:
             description.append("Das Bild enthält keine klar erkennbaren Objekte.")
         else:
-            for idx, contour in enumerate(contours[:10]):  # Begrenze auf 10 Objekte
-                if cv2.contourArea(contour) < 100:  # Ignoriere kleine Konturen
+            for idx, contour in enumerate(contours[:20]):  # Begrenze auf 20 Objekte
+                if cv2.contourArea(contour) < 200 or cv2.contourArea(contour) > (image_np.shape[0] * image_np.shape[1] * 0.5):  # Filtere kleine/große Konturen
                     continue
                 x, y, w, h = cv2.boundingRect(contour)
                 # Extrahiere Farbe der Region
@@ -48,16 +49,22 @@ def analyze_image(image, prompt):
                     continue
                 mean_color = np.mean(roi, axis=(0, 1)).astype(int)
                 color_rgb = f"RGB({mean_color[2]},{mean_color[1]},{mean_color[0]})"
+                # Größenkategorie
+                size = "small" if w * h < 1000 else "medium" if w * h < 5000 else "large"
                 description.append({
                     "object": f"Object_{idx}",
                     "color": color_rgb,
-                    "position": f"x={x}, y={y}, width={w}, height={h}"
+                    "position": f"x={x}, y={y}, width={w}, height={h}",
+                    "size": size
                 })
 
+    # Einfache Analyse der DINOv3-Features (z. B. Anzahl der Feature-Regionen)
+    feature_info = str(outputs.last_hidden_state.shape) if hasattr(outputs, 'last_hidden_state') else "No features extracted."
+
     return {
         "prompt": prompt,
         "description": description if description else "No objects detected.",
-        "features_shape": str(outputs.last_hidden_state.shape) if hasattr(outputs, 'last_hidden_state') else "No features extracted."
+        "features_shape": feature_info
     }
 
 # Erstelle Gradio-Schnittstelle