Create app.py

app.py

@@ -0,0 +1,53 @@
+import gradio as gr
+from paddleocr import PaddleOCR
+from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
+from PIL import Image
+import os
+
+# --- مدل‌ها ---
+ocr_model = PaddleOCR(lang='fa', use_angle_cls=True)
+tokenizer = AutoTokenizer.from_pretrained("persiannlp/mt5-small-parsinlu-grammar-correction")
+nlp_model = AutoModelForSeq2SeqLM.from_pretrained("persiannlp/mt5-small-parsinlu-grammar-correction")
+
+# --- توابع پردازش ---
+def run_ocr(image):
+    image_path = image.name  # مسیر فایل موقت
+    result = ocr_model.ocr(image_path, cls=True)
+    texts = [line[1][0] for line in result[0]] if result else []
+    os.remove(image_path)  # حذف فایل موقت
+    return " ".join(texts)
+
+def postprocess_text(text):
+    inputs = tokenizer(text, return_tensors="pt", max_length=512, truncation=True)
+    outputs = nlp_model.generate(**inputs)
+    return tokenizer.decode(outputs[0], skip_special_tokens=True)
+
+def process_image(image):
+    raw_text = run_ocr(image)
+    processed_text = postprocess_text(raw_text) if raw_text else "متنی یافت نشد!"
+    return raw_text, processed_text
+
+# --- رابط Gradio ---
+with gr.Blocks(title="OCR فارسی با پردازش NLP") as app:
+    gr.Markdown("## 🔠 OCR فارسی + پردازش متن با مدل زبانی")
+    gr.Markdown("متن را از تصاویر استخراج کنید و با مدل زبانی اصلاح کنید!")
+    
+    with gr.Row():
+        image_input = gr.Image(type="filepath", label="تصویر ورودی")
+        with gr.Column():
+            raw_text_output = gr.Textbox(label="متن خام (OCR)")
+            processed_text_output = gr.Textbox(label="متن پردازش‌شده (NLP)")
+    
+    submit_btn = gr.Button("پردازش تصویر")
+    submit_btn.click(
+        fn=process_image,
+        inputs=image_input,
+        outputs=[raw_text_output, processed_text_output]
+    )
+
+    gr.Markdown("---")
+    gr.Markdown("### راهنما:\n1. تصویری حاوی متن فارسی آپلود کنید.\n2. روی دکمه پردازش کلیک کنید.")
+
+# اجرای برنامه
+if __name__ == "__main__":
+    app.launch()