Update app.py

app.py

@@ -3,32 +3,30 @@ import time
 import numpy as np
 import cv2
 import torch
+import gradio as gr
 from transformers import DPTFeatureExtractor, DPTForDepthEstimation
 from fastapi import FastAPI, File, UploadFile
 from PIL import Image
 import uvicorn
 
-# 🟢 Tạo FastAPI
 app = FastAPI()
 
 # 🟢 Chọn thiết bị xử lý (GPU nếu có)
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
-# 🟢 Tải model DPT-Hybrid để tăng tốc
+# 🟢 Tải model DPT-Hybrid thay cho ZoeDepth để tăng tốc
 feature_extractor = DPTFeatureExtractor.from_pretrained("Intel/dpt-swinv2-tiny-256")
 model = DPTForDepthEstimation.from_pretrained("Intel/dpt-swinv2-tiny-256").to(device)
 model.eval()
 
-@app.post("/analyze_path/")
-async def analyze_path(file: UploadFile = File(...)):
-    """Xử lý ảnh Depth Map và lưu ảnh để hiển thị trên Hugging Face"""
+def process_depth_map(image_bytes):
+    """Xử lý Depth Map và hiển thị trên Hugging Face"""
     start_time = time.time()
 
-    # 🟢 Đọc file ảnh từ ESP32
-    image_bytes = await file.read()
+    # 🟢 Đọc file ảnh
     image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
 
-    # 🔵 Resize ảnh để xử lý nhanh hơn
+    # 🔵 Resize ảnh để tăng tốc độ xử lý
     image = image.resize((256, 256))
     image_np = np.array(image)
     flipped_image = cv2.flip(image_np, -1)
@@ -48,41 +46,19 @@ async def analyze_path(file: UploadFile = File(...)):
     depth_colored = cv2.applyColorMap(depth_map, cv2.COLORMAP_INFERNO)
     depth_pil = Image.fromarray(depth_colored)
 
-    # 🟢 Lưu ảnh Depth Map để hiển thị trên Gradio
-    depth_pil.save("depth_map.png")  # 🎯 **Gradio sẽ truy cập ảnh này**
-
     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  # Trả về lệnh điều hướng (không kèm ảnh)
-
-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
-
-    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])
+    return depth_pil  # Trả về ảnh để hiển thị trên Hugging Face
 
-    # 🟢 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"
+# 🟢 Tạo UI trên Hugging Face Spaces với Gradio
+gr.Interface(
+    fn=process_depth_map,
+    inputs=gr.Image(type="bytes"),
+    outputs=gr.Image(type="pil"),
+    title="🔍 Depth Map Estimation",
+    description="Tải ảnh lên để xem Depth Map",
+).launch(share=True)  # `share=True` để tạo link truy cập từ bên ngoài
 
-# 🟢 Chạy server FastAPI trên Hugging Face Spaces
 if __name__ == "__main__":
     uvicorn.run(app, host="0.0.0.0", port=7860)