Create app.py
Browse files
app.py
ADDED
|
@@ -0,0 +1,83 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 1 |
+
import gradio as gr
|
| 2 |
+
from transformers import pipeline, AutoTokenizer, AutoModelForSequenceClassification
|
| 3 |
+
import requests
|
| 4 |
+
import json
|
| 5 |
+
|
| 6 |
+
# مدلت رو از repo خودت لود کن
|
| 7 |
+
MODEL_REPO = "OmidSakaki/mental-health-deberta" # یا هر نامی که push کردی
|
| 8 |
+
|
| 9 |
+
tokenizer = AutoTokenizer.from_pretrained(MODEL_REPO)
|
| 10 |
+
model = AutoModelForSequenceClassification.from_pretrained(MODEL_REPO)
|
| 11 |
+
|
| 12 |
+
# pipeline برای classification
|
| 13 |
+
classifier = pipeline("text-classification", model=model, tokenizer=tokenizer, device=0 if torch.cuda.is_available() else -1)
|
| 14 |
+
|
| 15 |
+
# API ترجمه فارسی به انگلیسی (رایگان – میتونی عوض کنی)
|
| 16 |
+
TRANSLATE_API_URL = "https://api.mymemory.translated.net/get" # یا DeepL / Google Translate API اگر کلید داری
|
| 17 |
+
|
| 18 |
+
def translate_to_english(text_fa):
|
| 19 |
+
"""ترجمه متن فارسی به انگلیسی با API رایگان"""
|
| 20 |
+
if not text_fa.strip():
|
| 21 |
+
return "متن وارد نشده است"
|
| 22 |
+
|
| 23 |
+
params = {
|
| 24 |
+
"q": text_fa,
|
| 25 |
+
"langpair": "fa|en"
|
| 26 |
+
}
|
| 27 |
+
try:
|
| 28 |
+
response = requests.get(TRANSLATE_API_URL, params=params, timeout=10)
|
| 29 |
+
data = response.json()
|
| 30 |
+
translated = data["responseData"]["translatedText"]
|
| 31 |
+
return translated
|
| 32 |
+
except Exception as e:
|
| 33 |
+
return f"خطا در ترجمه: {str(e)}"
|
| 34 |
+
|
| 35 |
+
def classify_mental_health(text_fa):
|
| 36 |
+
# مرحله ۱: ترجمه به انگلیسی
|
| 37 |
+
text_en = translate_to_english(text_fa)
|
| 38 |
+
|
| 39 |
+
# مرحله ۲: طبقهبندی با مدل
|
| 40 |
+
result = classifier(text_en)[0]
|
| 41 |
+
label = result['label'] # مثلاً 'Suicidal' یا 'Depression'
|
| 42 |
+
score = result['score'] * 100 # درصد اطمینان
|
| 43 |
+
|
| 44 |
+
# مرحله ۳: تبدیل لیبل به فارسی برای خروجی کاربرپسند
|
| 45 |
+
label_fa_map = {
|
| 46 |
+
'Normal': 'نرمال / عادی',
|
| 47 |
+
'Depression': 'افسردگی',
|
| 48 |
+
'Anxiety': 'اضطراب',
|
| 49 |
+
'Suicidal': 'افکار خودکشی'
|
| 50 |
+
}
|
| 51 |
+
label_fa = label_fa_map.get(label, label) # اگر لیبل ناشناخته بود همون انگلیسی بمونه
|
| 52 |
+
|
| 53 |
+
# خروجی نهایی
|
| 54 |
+
output = f"متن ترجمهشده به انگلیسی:\n{text_en}\n\n"
|
| 55 |
+
output += f"وضعیت تشخیص داده شده: **{label_fa}**\n"
|
| 56 |
+
output += f"اطمینان مدل: {score:.1f}%"
|
| 57 |
+
|
| 58 |
+
return output
|
| 59 |
+
|
| 60 |
+
# ساخت رابط Gradio
|
| 61 |
+
demo = gr.Interface(
|
| 62 |
+
fn=classify_mental_health,
|
| 63 |
+
inputs=gr.Textbox(
|
| 64 |
+
label="متن فارسی خود را وارد کنید",
|
| 65 |
+
placeholder="مثال: احساس میکنم دیگه نمیتونم ادامه بدم...",
|
| 66 |
+
lines=5
|
| 67 |
+
),
|
| 68 |
+
outputs=gr.Textbox(label="نتیجه تشخیص"),
|
| 69 |
+
title="تشخیص وضعیت سلامت روان از روی متن فارسی",
|
| 70 |
+
description="""متن فارسی وارد کنید → به انگلیسی ترجمه میشود → توسط مدل تشخیص داده میشود → نتیجه به فارسی نمایش داده میشود.
|
| 71 |
+
|
| 72 |
+
کلاسها: نرمال، افسردگی، اضطراب، افکار خودکشی""",
|
| 73 |
+
examples=[
|
| 74 |
+
["امروز خیلی خوب بودم و خوشحالم"],
|
| 75 |
+
["دیگه نمیتونم تحمل کنم، همه چیز تموم بشه بهتره"],
|
| 76 |
+
["قلبم تند میزنه و نمیتونم آرام باشم"]
|
| 77 |
+
],
|
| 78 |
+
theme=gr.themes.Soft(),
|
| 79 |
+
allow_flagging="never"
|
| 80 |
+
)
|
| 81 |
+
|
| 82 |
+
if __name__ == "__main__":
|
| 83 |
+
demo.launch()
|