Update app.py

app.py

@@ -2,27 +2,32 @@ import gradio as gr
 import numpy as np
 import torch
 import cv2
-from segment_anything import sam_model_registry, SamAutomaticMaskGenerator
 from PIL import Image
 import os
 import urllib.request
 
-# Modell-URL & Speicherpfad
+# SAM importieren
+try:
+    from segment_anything import sam_model_registry, SamAutomaticMaskGenerator
+except ImportError:
+    raise ImportError("Bitte stelle sicher, dass 'segment-anything' in requirements.txt steht.")
+
+# Modellpfad & Download-Link
 MODEL_URL = "https://dl.fbaipublicfiles.com/segment_anything/sam_vit_b_01ec64.pth"
 MODEL_PATH = "sam_vit_b_01ec64.pth"
 
-# Falls Modell nicht vorhanden, herunterladen
+# Modell automatisch laden, falls nicht vorhanden
 if not os.path.exists(MODEL_PATH):
     print("Modell wird heruntergeladen...")
     urllib.request.urlretrieve(MODEL_URL, MODEL_PATH)
-    print("Modell erfolgreich heruntergeladen.")
+    print("Download abgeschlossen.")
 
-# Modell laden
+# SAM laden
 model_type = "vit_b"
 device = "cuda" if torch.cuda.is_available() else "cpu"
-
 sam = sam_model_registry[model_type](checkpoint=MODEL_PATH)
 sam.to(device=device)
+
 mask_generator = SamAutomaticMaskGenerator(sam)
 
 def segment_all_objects(image):
@@ -35,7 +40,7 @@ def segment_all_objects(image):
         color = np.random.randint(0, 255, size=(3,))
         overlay[m] = overlay[m] * 0.3 + color * 0.7
 
-        # Objekt-Label anzeigen
+        # Text auf Maske
         y, x = np.where(m)
         if len(x) > 0 and len(y) > 0:
             cx, cy = int(np.mean(x)), int(np.mean(y))
@@ -49,7 +54,7 @@ demo = gr.Interface(
     inputs=gr.Image(type="pil", label="Bild hochladen"),
     outputs=gr.Image(type="pil", label="Segmentiertes Ergebnis"),
     title="FishBoost SAM2 Segmentierung",
-    description="Automatische Segmentierung aller Objekte im Bild mit farbiger Darstellung (Meta SAM-Modell)."
+    description="Automatische Segmentierung aller Objekte im Bild (Meta SAM). CPU-kompatibel."
 )
 
 demo.launch()