refine the gradio app

.gitignore

@@ -0,0 +1,2 @@
+venv
+gradio_cached_examples

app.py

@@ -1,3 +1,117 @@
+# import cv2
+# import numpy as np
+# from PIL import Image
+# import torch
+# from torchvision import models, transforms
+# from ultralytics import YOLO
+# import gradio as gr
+# import torch.nn as nn
+
+# # Initialize device
+# device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
+
+# # Load models
+# yolo_model = YOLO('best.pt')  # Make sure this file is uploaded
+# resnet = models.resnet50(pretrained=False)
+# resnet.fc = nn.Linear(resnet.fc.in_features, 3)
+# resnet.load_state_dict(torch.load('rice_resnet_model.pth', map_location=device))
+# resnet = resnet.to(device)
+# resnet.eval()
+
+# # Class labels
+# class_labels = ["c9", "kant", "superf"]
+
+# # Image transformations
+# transform = transforms.Compose([
+#     transforms.Resize((224, 224)),
+#     transforms.ToTensor(),
+#     transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
+# ])
+
+# def classify_crop(crop_img):
+#     """ایک چاول کے دانے کو درجہ بند کریں"""
+#     image = transform(crop_img).unsqueeze(0).to(device)
+#     with torch.no_grad():
+#         output = resnet(image)
+#         _, predicted = torch.max(output, 1)
+#     return class_labels[predicted.item()]
+
+# def detect_and_classify(input_image):
+#     """تصویر پر کارروائی کریں اور ہر دانے کو شناخت کریں"""
+#     image = np.array(input_image)
+#     image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
+
+#     results = yolo_model(image)[0]
+#     boxes = results.boxes.xyxy.cpu().numpy()
+
+#     for box in boxes:
+#         x1, y1, x2, y2 = map(int, box[:4])
+#         crop = image[y1:y2, x1:x2]
+#         crop_pil = Image.fromarray(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB))
+#         predicted_label = classify_crop(crop_pil)
+
+#         cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
+#         cv2.putText(image, 
+#                    predicted_label, 
+#                    (x1, y1-10), 
+#                    cv2.FONT_HERSHEY_SIMPLEX, 
+#                    0.9, 
+#                    (36, 255, 12), 
+#                    2)
+
+#     return Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
+
+# with gr.Blocks(title="چاول کی اقسام کی درجہ بندی") as demo:
+#     gr.Markdown("""
+#     ## 🍚 چاول کی اقسام کی شناخت کا نظام  
+#     ایک تصویر اپ لوڈ کریں جس میں چاول کے دانے ہوں۔  
+#     سسٹم ہر دانے کو شناخت اور درجہ بند کرے گا۔
+#     """)
+    
+#     with gr.Row():
+#         with gr.Column():
+#             image_input = gr.Image(type="pil", label="چاول کی تصویر اپ لوڈ کریں")
+#             submit_btn = gr.Button("تجزیہ شروع کریں", variant="primary")
+#         with gr.Column():
+#             output_image = gr.Image(label="نتائج", interactive=False)
+    
+#     submit_btn.click(
+#         fn=detect_and_classify,
+#         inputs=image_input,
+#         outputs=output_image
+#     )
+    
+#     # ✅ Move this block inside the `with gr.Blocks(...)` scope
+#     gr.Examples(
+#         examples=[
+#             "samples/rice1.jpg",
+#             "samples/rice2.jpg",
+#             "samples/rice3.jpg",
+#             "samples/rice4.jpg",
+#             "samples/rice5.jpg",
+#             "samples/rice6.jpg"
+#         ],
+#         inputs=image_input,
+#         label="مثال تصاویر"
+#     )
+#     gr.Markdown("""
+# ### ℹ️ ہدایات:
+# - ✅ واضح اور الگ الگ چاول کے دانے والی تصویر اپ لوڈ کریں۔
+# - ⚠️ اگر دانے آپس میں جُڑے ہوں یا ایک دوسرے پر چڑھے ہوں، تو نتائج متاثر ہو سکتے ہیں۔
+# - 📸 بہتر پہچان کے لیے تصویر کا پس منظر صاف اور دانے منتشر (پھیلے ہوئے) ہونے چاہئیں۔
+# - 🖼️ آپ اوپر دی گئی مثال تصاویر کو بھی دیکھ سکتے ہیں۔
+# """)
+
+
+
+# demo.launch()
+
+
+
+
+
+
+
 import cv2
 import numpy as np
 from PIL import Image
@@ -6,18 +120,71 @@ from torchvision import models, transforms
 from ultralytics import YOLO
 import gradio as gr
 import torch.nn as nn
+import os 
+
+# --- DOCUMENTATION STRINGS (English and Urdu) ---
+
+USAGE_GUIDELINES = """
+## 1. Quick Start Guide: Run Instructions
+
+**English:**
+1. **Upload:** Click the 'Upload Rice Image' box and select your image (JPG or PNG).
+2. **Run:** Click the **"Run Analysis"** button.
+3. **Review:** The output image will show each detected rice grain marked with its predicted class label.
+
+**Urdu (اردو):**
+## 1. فوری استعمال کی ہدایات: تجزیہ شروع کریں
+1. **تصویر اپ لوڈ کریں:** 'چاول کی تصویر اپ لوڈ کریں' کے باکس پر کلک کریں اور اپنی تصویر (JPG یا PNG) منتخب کریں۔
+2. **چلائیں:** **"تجزیہ شروع کریں"** بٹن پر کلک کریں۔
+3. **نتائج دیکھیں:** آؤٹ پٹ تصویر ہر شناخت شدہ چاول کے دانے کو اس کی پیش گوئی کردہ قسم کے لیبل کے ساتھ دکھائے گی۔
+"""
+
+INPUT_EXPLANATION = """
+## 2. Expected Inputs / متوقع ان پٹ
+
+| Input Field (ان پٹ فیلڈ) | Purpose (مقصد) | Requirement (ضرورت) |
+| :--- | :--- | :--- |
+| **Upload Image** / تصویر اپ لوڈ کریں | The image containing the rice grains for analysis. | Must be a single image file (JPG, PNG). The input should preferably contain clear, separated rice grains. |
+
+**Important Note (اہم نوٹ):** For the best detection and classification accuracy, ensure the rice grains are scattered (not heavily overlapping) and the background is simple.
+"""
+
+OUTPUT_EXPLANATION = """
+## 3. Expected Outputs (Detection and Classification) / متوقع آؤٹ پٹ
+
+The output is the original image overlayed with results from the two-stage AI model:
+
+*   **Bounding Boxes:** Each individual rice grain detected by the YOLO model is enclosed in a **Green rectangle**.
+*   **Labels:** Above each rectangle, the predicted class label is displayed:
+    *   **c9** (A specific rice variety)
+    *   **kant** (Another specific rice variety)
+    *   **superf** (A third specific rice variety)
+
+**Urdu (اردو):**
+آؤٹ پٹ اصل تصویر ہوگی جس پر دو مراحل پر مشتمل AI ماڈل کے نتائج لگائے گئے ہیں:
+*   **نشان زد ڈبے:** YOLO ماڈل سے تلاش کیے گئے ہر چاول کے دانے کے گرد **سبز رنگ کا مستطیل** لگایا جائے گا۔
+*   **لیبلز:** ہر مستطیل کے اوپر اس کی پیش گوئی کردہ قسم کا لیبل درج ہوگا: c9، kant، یا superf۔
+"""
+
+# --- CORE LOGIC (KEPT AS IS) ---
 
 # Initialize device
 device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
 
 # Load models
-yolo_model = YOLO('best.pt')  # Make sure this file is uploaded
-resnet = models.resnet50(pretrained=False)
-resnet.fc = nn.Linear(resnet.fc.in_features, 3)
-resnet.load_state_dict(torch.load('rice_resnet_model.pth', map_location=device))
-resnet = resnet.to(device)
-resnet.eval()
-
+# NOTE: These paths (best.pt, rice_resnet_model.pth) must exist in the execution directory.
+try:
+    yolo_model = YOLO('best.pt') 
+    resnet = models.resnet50(weights=None) # Use weights=None since we are loading custom weights
+    resnet.fc = nn.Linear(resnet.fc.in_features, 3)
+    resnet.load_state_dict(torch.load('rice_resnet_model.pth', map_location=device))
+    resnet = resnet.to(device)
+    resnet.eval()
+except Exception as e:
+    print(f"Error loading models: {e}. Ensure 'best.pt' and 'rice_resnet_model.pth' are present.")
+    yolo_model = None
+    resnet = None
+    
 # Class labels
 class_labels = ["c9", "kant", "superf"]
 
@@ -29,7 +196,9 @@ transform = transforms.Compose([
 ])
 
 def classify_crop(crop_img):
-    """ایک چاول کے دانے کو درجہ بند کریں"""
+    """Classify a single rice grain crop"""
+    if resnet is None:
+        return "Error"
     image = transform(crop_img).unsqueeze(0).to(device)
     with torch.no_grad():
         output = resnet(image)
@@ -37,43 +206,78 @@ def classify_crop(crop_img):
     return class_labels[predicted.item()]
 
 def detect_and_classify(input_image):
-    """تصویر پر کارروائی کریں اور ہر دانے کو شناخت کریں"""
+    """Process the image and classify each grain"""
+    if yolo_model is None or resnet is None:
+        raise gr.Error("Models failed to load. Cannot proceed with analysis.")
+        
+    if input_image is None:
+        raise gr.Error("Please upload an image or select an example.")
+        
     image = np.array(input_image)
     image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
 
-    results = yolo_model(image)[0]
+    # YOLO Detection
+    results = yolo_model(image, verbose=False)[0]
     boxes = results.boxes.xyxy.cpu().numpy()
 
+    if len(boxes) == 0:
+        gr.Warning("No rice grains detected in the image.")
+        return Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
+
+
     for box in boxes:
         x1, y1, x2, y2 = map(int, box[:4])
         crop = image[y1:y2, x1:x2]
-        crop_pil = Image.fromarray(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB))
-        predicted_label = classify_crop(crop_pil)
-
-        cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)
-        cv2.putText(image, 
-                   predicted_label, 
-                   (x1, y1-10), 
-                   cv2.FONT_HERSHEY_SIMPLEX, 
-                   0.9, 
-                   (36, 255, 12), 
-                   2)
+        
+        # Check if crop is valid
+        if crop.shape[0] > 0 and crop.shape[1] > 0:
+            crop_pil = Image.fromarray(cv2.cvtColor(crop, cv2.COLOR_BGR2RGB))
+            predicted_label = classify_crop(crop_pil)
+    
+            # Draw results
+            cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) # Green box
+            cv2.putText(image, 
+                       predicted_label, 
+                       (x1, y1-10), 
+                       cv2.FONT_HERSHEY_SIMPLEX, 
+                       0.9, 
+                       (36, 255, 12), 
+                       2) # Green text
 
     return Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
 
-with gr.Blocks(title="چاول کی اقسام کی درجہ بندی") as demo:
-    gr.Markdown("""
-    ## 🍚 چاول کی اقسام کی شناخت کا نظام  
-    ایک تصویر اپ لوڈ کریں جس میں چاول کے دانے ہوں۔  
-    سسٹم ہر دانے کو شناخت اور درجہ بند کرے گا۔
-    """)
+# --- GRADIO UI (Single Tab) ---
+
+with gr.Blocks(title="Rice Variety Classification") as demo:
+    
+    gr.Markdown(
+        """
+        # Rice Variety Classification System / چاول کی اقسام کی شناخت کا نظام
+        Upload an image containing rice grains. The system will detect and classify each grain using a two-stage AI pipeline (YOLO for detection, ResNet for classification).
+        """
+    )
+    
+    # 1. GUIDELINES SECTION
+    with gr.Accordion(" Tips & Guidelines (ہدایات)", open=False):
+        gr.Markdown(USAGE_GUIDELINES)
+        gr.Markdown("---")
+        gr.Markdown(INPUT_EXPLANATION)
+        gr.Markdown("---")
+        gr.Markdown(OUTPUT_EXPLANATION)
+        
+    gr.Markdown("---")
+
+    # 2. APPLICATION INTERFACE
+    gr.Markdown("## Start Analysis / تجزیہ شروع کریں")
     
     with gr.Row():
-        with gr.Column():
-            image_input = gr.Image(type="pil", label="چاول کی تصویر اپ لوڈ کریں")
-            submit_btn = gr.Button("تجزیہ شروع کریں", variant="primary")
-        with gr.Column():
-            output_image = gr.Image(label="نتائج", interactive=False)
+        with gr.Column(scale=1):
+            gr.Markdown("## Step 1: Upload an Image of Rice /  چاول کی تصویر اپ لوڈ کریں")
+            image_input = gr.Image(type="pil")
+            gr.Markdown("## Step 2: Click Run Analysis /تجزیہ شروع کریں  ")
+            submit_btn = gr.Button("Run Analysis / تجزیہ شروع کریں", variant="primary")
+            gr.Markdown("## Outputs / نتائج ")
+            output_image = gr.Image(scale=2, interactive=True)
     
     submit_btn.click(
         fn=detect_and_classify,
@@ -81,7 +285,11 @@ with gr.Blocks(title="چاول کی اقسام کی درجہ بندی") as demo:
         outputs=output_image
     )
     
-    # ✅ Move this block inside the `with gr.Blocks(...)` scope
+    gr.Markdown("---")
+
+    # 3. EXAMPLES SECTION
+    gr.Markdown("## Example Images / مثال تصاویر")
+    # Ensure "samples/" directory exists and contains these images
     gr.Examples(
         examples=[
             "samples/rice1.jpg",
@@ -92,16 +300,11 @@ with gr.Blocks(title="چاول کی اقسام کی درجہ بندی") as demo:
             "samples/rice6.jpg"
         ],
         inputs=image_input,
-        label="مثال تصاویر"
+        outputs=output_image, # Required for proper caching and execution
+        fn=detect_and_classify, # Required for proper caching and execution
+        cache_examples=True,
+        label="Click to load and run a sample image / نمونہ تصویر لوڈ اور رن کرنے کے لیے کلک کریں"
     )
-    gr.Markdown("""
-### ℹ️ ہدایات:
-- ✅ واضح اور الگ الگ چاول کے دانے والی تصویر اپ لوڈ کریں۔
-- ⚠️ اگر دانے آپس میں جُڑے ہوں یا ایک دوسرے پر چڑھے ہوں، تو نتائج متاثر ہو سکتے ہیں۔
-- 📸 بہتر پہچان کے لیے تصویر کا پس منظر صاف اور دانے منتشر (پھیلے ہوئے) ہونے چاہئیں۔
-- 🖼️ آپ اوپر دی گئی مثال تصاویر کو بھی دیکھ سکتے ہیں۔
-""")
-
-
 
+demo.queue()
 demo.launch()

requirements.txt

@@ -2,6 +2,7 @@ torch>=2.0.0
 torchvision>=0.15.0
 ultralytics>=8.0.0
 opencv-python-headless>=4.7.0
-gradio>=3.0.0
 numpy>=1.21.0
-Pillow>=9.0.0
+Pillow>=9.0.
+gradio==3.50.2
+gradio-client==0.6.1