Update app.py

app.py

@@ -9,49 +9,49 @@ model = torch.jit.load(model_path, map_location=torch.device('cpu'))
 model.eval()
 
 def predict(image):
-    try:
-        print("Predict function called")
+    try:
+        print("Predict function called")
 
-        # تغییر اندازه تصویر به 224x224
-        image = image.resize((224, 224))  # تغییر اندازه به 224x224
+        # تغییر اندازه تصویر به 224x224
+        image = image.resize((224, 224))  # تغییر اندازه به 224x224
 
-        # پیش‌پردازش تصویر
-        image = image.convert("RGB")
-        input_tensor = np.array(image)
-        input_tensor = input_tensor.transpose(2, 0, 1)  # تبدیل از HWC به CHW
-        input_tensor = input_tensor[np.newaxis, :]  # افزودن بعد batch
-        input_tensor = input_tensor / 255.0  # نرمال‌سازی
-        input_tensor = torch.from_numpy(input_tensor).float()
+        # پیش‌پردازش تصویر
+        image = image.convert("RGB")
+        input_tensor = np.array(image)
+        input_tensor = input_tensor.transpose(2, 0, 1)  # تبدیل از HWC به CHW
+        input_tensor = input_tensor[np.newaxis, :]  # افزودن بعد batch
+        input_tensor = input_tensor / 255.0  # نرمال‌سازی
+        input_tensor = torch.from_numpy(input_tensor).float()
 
-        print(f"Input tensor shape: {input_tensor.shape}")
+        print(f"Input tensor shape: {input_tensor.shape}")
 
-        # اجرای مدل
-        with torch.no_grad():
-            output = model(input_tensor)
+        # اجرای مدل
+        with torch.no_grad():
+            output = model(input_tensor)
 
-        print(f"Output tensor shape: {output.shape}")
+        print(f"Output tensor shape: {output.shape}")
 
-        # پس‌پردازش خروجی
-        output_image = output.squeeze().cpu().numpy()
-        output_image = output_image.transpose(1, 2, 0)  # تبدیل از CHW به HWC
-        output_image = (output_image * 255).astype(np.uint8)
-        output_image = Image.fromarray(output_image)
+        # پس‌پردازش خروجی
+        output_image = output.squeeze().cpu().numpy()
+        output_image = output_image.transpose(1, 2, 0)  # تبدیل از CHW به HWC
+        output_image = (output_image * 255).astype(np.uint8)
+        output_image = Image.fromarray(output_image)
 
-        print("Output image generated successfully")
-        return output_image
+        print("Output image generated successfully")
+        return output_image
 
-    except Exception as e:
-        print(f"Error during prediction: {str(e)}")
-        return None
+    except Exception as e:
+        print(f"Error during prediction: {str(e)}")
+        return None
 
 # تعریف رابط Gradio
 iface = gr.Interface(
-    fn=predict,
-    inputs=gr.Image(type="pil", label="Input Image"),
-    outputs=gr.Image(type="pil", label="Output Image"),
-    title="Sapiens Model Inference",
-    description="Upload an image to process with the Sapiens model."
+    fn=predict,
+    inputs=gr.Image(type="pil", label="Input Image"),
+    outputs=gr.Image(type="pil", label="Output Image"),
+    title="Sapiens Model Inference",
+    description="Upload an image to process with the Sapiens model."
 )
 
 if __name__ == "__main__":
-    iface.launch(share=True)
+    iface.launch()