Update app.py

app.py

@@ -1,71 +1,57 @@
-import streamlit as st
-import numpy as np
-import cv2
-import tempfile
-from gradio_client import Client
-from PIL import Image
-
-# Инициализация клиента для нового API
-client = Client("https://pragnakalp-ocr-image-to-text.hf.space/--replicas/lhzf3/")
-result = client.predict(
-		PaddleOCR,	# Literal[PaddleOCR, EasyOCR, KerasOCR]  in 'Method' Radio component
-		https://raw.githubusercontent.com/gradio-app/gradio/main/test/test_files/bus.png,	# filepath  in 'img' Image component
-							api_name="/predict"
-)
-print(result)
-
-# Заголовок приложения
-st.title("Video Frame to Image Description")
-
-# Загрузка видеофайла
-uploaded_file = st.file_uploader("Upload a video file", type=["mp4", "avi", "mov"])
-
-cap = None  # Инициализируем объект cap как None
-
-if uploaded_file is not None:
-    # Создаем временный файл для хранения видео
-    tfile = tempfile.NamedTemporaryFile(delete=False)
-    tfile.write(uploaded_file.read())
+import streamlit as st  
+import numpy as np  
+import cv2  
+import tempfile  
+from gradio_client import Client  
+from PIL import Image  
+
+# Проверка доступности API  
+api_url = "https://pragnakalp-ocr-image-to-text.hf.space/--replicas/lhzf3/"  
+try:  
+    client = Client(api_url)  
+except Exception as e:  
+    st.error(f"Failed to initialize client: {str(e)}")  
+    st.stop()  
+
+# Заголовок приложения  
+st.title("Video Frame to Image Description")  
+
+# Загрузка видеофайла  
+uploaded_file = st.file_uploader("Upload a video file", type=["mp4", "avi", "mov"])  
+
+cap = None  # Инициализируем объект cap как None  
+
+if uploaded_file is not None:  
+    tfile = tempfile.NamedTemporaryFile(delete=False)  
+    tfile.write(uploaded_file.read())  
     
-    # Захват видео
-    cap = cv2.VideoCapture(tfile.name)
-    length = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
+    cap = cv2.VideoCapture(tfile.name)  
+    length = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))  
     
-    if length > 0:
-        # Выбор случайного кадра
-        random_frame = np.random.randint(length)
-        cap.set(cv2.CAP_PROP_POS_FRAMES, random_frame)
-        ret, frame = cap.read()
-
-        if ret:
-            # Конвертация кадра OpenCV в PIL Image
-            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
-            pil_image = Image.fromarray(frame_rgb)
-
-            # Отображение выбранного кадра
-            st.image(pil_image, caption=f"Random Frame {random_frame}")
-
-            # Сохранение изображения в байты
-            buf = tempfile.NamedTemporaryFile(suffix='.jpg', delete=False)
-            pil_image.save(buf, format='JPEG')
-            buf.close()
-
-            # Отправка изображения в новый API
-            try:
-                result = client.predict(
-                    "PaddleOCR",  # Метод для использования
-                    buf.name,  # Путь к изображению
-                    api_name="/predict"
-                )
-                description = result['data']
-                st.success(f"Generated Description: {description}")
-            except Exception as e:
-                st.error(f"Error: Could not get a response from the model. {str(e)}")
-        else:
-            st.error("Error: Could not read a frame from the video.")
-    else:
-        st.error("Error: Video file does not contain any frames.")
-
-# Проверяем, был ли cap создан, и только тогда освобождаем ресурсы
-if cap is not None:
+    if length > 0:  
+        random_frame = np.random.randint(length)  
+        cap.set(cv2.CAP_PROP_POS_FRAMES, random_frame)  
+        ret, frame = cap.read()  
+
+        if ret:  
+            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)  
+            pil_image = Image.fromarray(frame_rgb)  
+            st.image(pil_image, caption=f"Random Frame {random_frame}")  
+
+            buf = tempfile.NamedTemporaryFile(suffix='.jpg', delete=False)  
+            pil_image.save(buf, format='JPEG')  
+            buf.close()  
+
+            try:  
+                result = client.predict("PaddleOCR", buf.name, api_name="/predict")  
+                description = result['data']  
+                st.success(f"Generated Description: {description}")  
+            except Exception as e:  
+                st.error(f"Error: Could not get a response from the model. {str(e)}")  
+        else:  
+            st.error("Error: Could not read a frame from the video.")  
+    else:  
+        st.error("Error: Video file does not contain any frames.")  
+
+if cap is not None:  
     cap.release()