Update app.py

app.py

@@ -23,15 +23,15 @@ def extract_invoice_data(pdf_file):
             extracted_words = page.extract_words()
             for word in extracted_words:
                 words.append(word['text'])  # Pobieramy tekst słowa
-                bbox = [word['x0'], word['top'], word['x1'], word['bottom']]
+                bbox = [int(word['x0']), int(word['top']), int(word['x1']), int(word['bottom'])]  # Zaokrąglamy wartości
                 boxes.append(bbox)  # Pobieramy bounding box (pozycję słowa na stronie)
 
     # Tokenizacja tekstu + dodanie bounding boxes
-    tokens = tokenizer(words, boxes=boxes, is_split_into_words=True, return_tensors="pt", truncation=True)
+    encoding = tokenizer.encode_plus(words, boxes=boxes, return_tensors="pt", truncation=True)  # Poprawiona linia
 
     # Predykcja modelu
     with torch.no_grad():
-        outputs = model(**tokens)
+        outputs = model(**encoding)
     predictions = outputs.logits.argmax(-1).squeeze().tolist()
 
     # Przetwarzanie wyników