Update app.py

app.py

@@ -1,76 +1,25 @@
-import io
-import time
-import numpy as np
-import cv2
 import torch
-from transformers import AutoImageProcessor, ZoeDepthForDepthEstimation
-from fastapi import FastAPI, File, UploadFile
+from transformers import DPTFeatureExtractor, DPTForDepthEstimation
 from PIL import Image
-import uvicorn
+import requests
 
-app = FastAPI()
-
-# 🟢 Tải mô hình ZoeDepth từ Hugging Face
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-image_processor = AutoImageProcessor.from_pretrained("isl-org/ZoeD_NK_T", use_fast=True)
-model = ZoeDepthForDepthEstimation.from_pretrained("isl-org/ZoeD_NK_T").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")
-
-    # 🟢 Chuẩn bị ảnh cho mô hình ZoeDepth
-    inputs = image_processor(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 ZoeDepth
-    with torch.no_grad():
-        outputs = model(**inputs)
-
-    # 🟢 Xử lý ảnh sau khi dự đoán
-    post_processed_output = image_processor.post_process_depth_estimation(
-        outputs,
-        source_sizes=[(image.height, image.width)],
-    )
-    predicted_depth = post_processed_output[0]["predicted_depth"]
-    depth_map = predicted_depth * 255 / predicted_depth.max()
-    depth_map = depth_map.detach().cpu().numpy().astype("uint8")
-
-    end_time = time.time()
-    print(f"⏳ ZoeDepth 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}
+# Load model và chuyển sang GPU
+feature_extractor = DPTFeatureExtractor.from_pretrained("Intel/dpt-large")
+model = DPTForDepthEstimation.from_pretrained("Intel/dpt-large").to(device)
 
-def detect_path(depth_map):
-    """Phân tích đường đi từ ảnh Depth Map"""
-    h, w = depth_map.shape
-    center_x = w // 2
-    scan_y = h - 20  # Quét dòng gần đáy ảnh
+# Tải ảnh
+url = "http://images.cocodataset.org/val2017/000000039769.jpg"
+image = Image.open(requests.get(url, stream=True).raw)
 
-    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 - 20:center_x + 20])
+# Chuẩn bị input
+inputs = feature_extractor(images=image, return_tensors="pt").to(device)
 
-    if center_region > 200:
-        return "forward"
-    elif left_region > right_region:
-        return "left"
-    elif right_region > left_region:
-        return "right"
-    else:
-        return "backward"
+# Dự đoán depth map
+with torch.no_grad():
+    outputs = model(**inputs)
 
-# 🟢 Chạy server FastAPI
-if __name__ == "__main__":
-    uvicorn.run(app, host="0.0.0.0", port=7860)
+# Lấy output và chuyển về dạng ảnh
+depth_map = outputs.predicted_depth
+depth_map = depth_map.squeeze().cpu().numpy()