Update app.py

app.py

@@ -1,25 +1,78 @@
+import io
+import time
+import numpy as np
+import cv2
 import torch
 from transformers import DPTFeatureExtractor, DPTForDepthEstimation
+from fastapi import FastAPI, File, UploadFile
 from PIL import Image
-import requests
+import uvicorn
 
+app = FastAPI()
+
+# 🟢 Chọn thiết bị xử lý (GPU nếu có)
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
-# Load model và chuyển sang GPU
-feature_extractor = DPTFeatureExtractor.from_pretrained("Intel/dpt-large")
-model = DPTForDepthEstimation.from_pretrained("Intel/dpt-large").to(device)
+# 🟢 Tải model DPT-Hybrid thay cho ZoeDepth để tăng tốc
+feature_extractor = DPTFeatureExtractor.from_pretrained("Intel/dpt-hybrid")
+model = DPTForDepthEstimation.from_pretrained("Intel/dpt-hybrid").to(device)
+model.eval()
+
+@app.post("/analyze_path/")
+async def analyze_path(file: UploadFile = File(...)):
+    # 🟢 Đọc file ảnh từ ESP32
+    image_bytes = await file.read()
+    image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
+
+    # 🔵 Resize ảnh để xử lý nhanh hơn
+    image = image.resize((384, 384))  # Giảm kích thước giúp tăng tốc độ xử lý
+
+    # 🟢 Chuẩn bị ảnh cho mô hình
+    inputs = feature_extractor(images=image, return_tensors="pt").to(device)
+
+    # 🟢 Bắt đầu đo thời gian dự đoán Depth Map
+    start_time = time.time()
+
+    # 🟢 Dự đoán Depth Map với DPT-Hybrid
+    with torch.no_grad():
+        outputs = model(**inputs)
+
+    # 🟢 Xử lý ảnh sau khi dự đoán
+    predicted_depth = outputs.predicted_depth.squeeze().cpu().numpy()
+    depth_map = (predicted_depth * 255 / predicted_depth.max()).astype("uint8")
+
+    end_time = time.time()
+    print(f"⏳ DPT xử lý trong {end_time - start_time:.4f} giây")
+
+    # 🟢 Đo thời gian xử lý đường đi
+    start_detect_time = time.time()
+    command = detect_path(depth_map)
+    end_detect_time = time.time()
+    print(f"⏳ detect_path() xử lý trong {end_detect_time - start_detect_time:.4f} giây")
+
+    return {"command": command}
 
-# Tải ảnh
-url = "http://images.cocodataset.org/val2017/000000039769.jpg"
-image = Image.open(requests.get(url, stream=True).raw)
+def detect_path(depth_map):
+    """Phân tích đường đi từ ảnh Depth Map"""
+    h, w = depth_map.shape
+    center_x = w // 2
+    scan_y = int(h * 0.8)  # Quét dòng 80% từ trên xuống
 
-# Chuẩn bị input
-inputs = feature_extractor(images=image, return_tensors="pt").to(device)
+    left_region = np.mean(depth_map[scan_y, :center_x])
+    right_region = np.mean(depth_map[scan_y, center_x:])
+    center_region = np.mean(depth_map[scan_y, center_x - 40:center_x + 40])
 
-# Dự đoán depth map
-with torch.no_grad():
-    outputs = model(**inputs)
+    # 🟢 Cải thiện logic xử lý
+    threshold = 100  # Ngưỡng phân biệt vật cản
+    if center_region > threshold:
+        return "forward"
+    elif left_region > right_region:
+        return "left"
+    elif right_region > left_region:
+        return "right"
+    else:
+        return "backward"
 
-# Lấy output và chuyển về dạng ảnh
-depth_map = outputs.predicted_depth
-depth_map = depth_map.squeeze().cpu().numpy()
+# 🟢 Chạy server FastAPI
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=7860)