app.py

import gradio as gr
import subprocess
import torch
import os
import shutil
from PIL import Image
from transformers import AutoProcessor, AutoModelForCausalLM
from huggingface_hub import snapshot_download

# --- ส่วนจัดการ Cache: ดึงโมเดล NSFW มาวางทับ Standard Model ---
MODEL_STANDARD = "microsoft/Florence-2-base"
MODEL_NSFW = "ljnlonoljpiljm/florence-2-base-nsfw-v2"

def setup_model_cache():
    """ ดาวน์โหลดโมเดล NSFW มาวางทับโฟลเดอร์ของโมเดลมาตรฐานใน Cache """
    cache_dir = os.path.expanduser("~/.cache/huggingface/hub")
    folder_standard = f"models--{MODEL_STANDARD.replace('/', '--')}"
    folder_nsfw = f"models--{MODEL_NSFW.replace('/', '--')}"
    path_standard = os.path.join(cache_dir, folder_standard)
    path_nsfw = os.path.join(cache_dir, folder_nsfw)

    print(f"🔍 ตรวจสอบ Cache: {folder_standard}")

    if not os.path.exists(path_standard) or not os.listdir(path_standard):
        print(f"⚠️ ไม่พบโมเดลมาตรฐานใน Cache หรือโฟลเดอร์ว่าง")
        if os.path.exists(path_nsfw) and os.listdir(path_nsfw):
            print(f"✅ พบโมเดล NSFW ใน Cache แล้ว: {folder_nsfw}")
            source_path = path_nsfw
        else:
            print(f"🚀 กำลังดาวน์โหลดโมเดล NSFW ({MODEL_NSFW})...")
            try:
                snapshot_download(
                    repo_id=MODEL_NSFW,
                    local_dir=path_nsfw,
                    local_dir_use_symlinks=False
                )
                print("✅ ดาวน์โหลดโมเดล NSFW เสร็จสิ้น")
                source_path = path_nsfw
            except Exception as e:
                print(f"❌ ดาวน์โหลดล้มเหลว: {e}")
                print("💡 ใช้โมเดลมาตรฐานแทน (อาจไม่มี NSFW filter)")
                return MODEL_STANDARD

        if os.path.exists(path_standard):
            shutil.rmtree(path_standard)
        print(f"📂 กำลัง Copy ไฟล์จาก {folder_nsfw} -> {folder_standard}...")
        shutil.copytree(source_path, path_standard)
        print("✅ วางไฟล์ทับเสร็จสิ้น!")
    else:
        print(f"✅ พบโมเดลใน Cache แล้ว: {folder_standard}")

    return MODEL_STANDARD

# --- เรียกฟังก์ชันจัดการ Cache ---
FINAL_MODEL_NAME = setup_model_cache()
print(f"🚀 กำลังโหลดโมเดล (ที่ถูกปรับแต่งแล้ว): {FINAL_MODEL_NAME}...")

# --- ติดตั้ง flash-attn (ถ้าจำเป็น) ---
try:
    import flash_attn
    print("✅ flash_attn พร้อมใช้งาน")
except ImportError:
    print("⚠️ flash_attn ไม่พบ กำลังติดตั้ง...")
    subprocess.run('pip install flash-attn --no-build-isolation', env={'FLASH_ATTENTION_SKIP_CUDA_BUILD': "TRUE"}, shell=True)

# --- โหลดโมเดล ---
device = "cuda" if torch.cuda.is_available() else "cpu"
florence_model = None
florence_processor = None

try:
    florence_model = AutoModelForCausalLM.from_pretrained(
        FINAL_MODEL_NAME, trust_remote_code=True
    ).to(device).eval()
    florence_processor = AutoProcessor.from_pretrained(
        FINAL_MODEL_NAME, trust_remote_code=True
    )
    print("✅ โหลดโมเดล Florence-2 (NSFW Version) เสร็จสิ้น!")
except Exception as e:
    print(f"❌ เกิดข้อผิดพลาดในการโหลดโมเดล: {e}")
    florence_model = None
    florence_processor = None

# --- รายการ Task ที่รองรับ (ตามที่คุณต้องการ) ---
TASK_PROMPTS = {
    "Caption": "<CAPTION>",
    "Detailed Caption": "<DETAILED_CAPTION>",
    "More Detailed Caption": "<MORE_DETAILED_CAPTION>",
    "OCR": "<OCR>",
    "OCR with Region": "<OCR_WITH_REGION>",
    "Object Detection": "<OD>",
    "Dense Region Caption": "<DENSE_REGION_CAPTION>",
    "Region Proposal": "<REGION_PROPOSAL>",
    "Caption to Phrase Grounding": "<CAPTION_TO_PHRASE_GROUNDING>",
    "Referring Expression Segmentation": "<REFERRING_EXPRESSION_SEGMENTATION>",
    "Region to Segmentation": "<REGION_TO_SEGMENTATION>",
    "Open Vocabulary Detection": "<OPEN_VOCABULARY_DETECTION>",
    "Region to Category": "<REGION_TO_CATEGORY>",
    "Region to Description": "<REGION_TO_DESCRIPTION>",
}

def process_image(image, task_name):
    global florence_model, florence_processor
    if florence_model is None or florence_processor is None:
        return "❌ โมเดลยังไม่ได้โหลดหรือเกิดข้อผิดพลาดในการเริ่มต้น"
    if image is None:
        return "กรุณาเลือกรูปภาพ"
    try:
        # แปลง Gradio Image เป็น PIL Image
        if not isinstance(image, Image.Image):
            image = Image.fromarray(image)
        if image.mode != "RGB":
            image = image.convert("RGB")

        # ดึง Prompt จาก Task ที่เลือก
        prompt = TASK_PROMPTS.get(task_name, "<CAPTION>")
        inputs = florence_processor(text=prompt, images=image, return_tensors="pt").to(device)
        
        generated_ids = florence_model.generate(
            input_ids=inputs["input_ids"],
            pixel_values=inputs["pixel_values"],
            max_new_tokens=1024,
            early_stopping=False,
            do_sample=False,
            num_beams=3,
        )
        generated_text = florence_processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
        parsed_answer = florence_processor.post_process_generation(
            generated_text, task=prompt, image_size=(image.width, image.height)
        )

        # --- ส่วนแก้ไข: แยกค่าออกจาก Dictionary ---
        # parsed_answer จะเป็น dict เช่น {'<DETAILED_CAPTION>': 'ข้อความ...'}
        # เราต้องการแค่ 'ข้อความ...'
        if isinstance(parsed_answer, dict):
            # ดึงค่าแรก (Value) จาก Dictionary
            result_text = next(iter(parsed_answer.values()))
        else:
            # ถ้าไม่ใช่ dict (กรณีบาง task อาจ return string โดยตรง)
            result_text = str(parsed_answer)
        
        print(f"\n✅ Task: {task_name} | Result: {result_text}")
        return result_text

    except Exception as e:
        return f"❌ เกิดข้อผิดพลาดขณะประมวลผล: {str(e)}"

# --- สร้าง UI ---
with gr.Blocks(title="Image-to-Prompt (Florence-2)", theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🖼️ Image-to-Prompt (Florence-2)
    อัปโหลดรูปภาพและเลือกประเภทการวิเคราะห์เพื่อสร้าง Prompt
    """)

    with gr.Row():
        with gr.Column():
            image_input = gr.Image(type="pil", label="รูปภาพ", height=400)
            task_dropdown = gr.Dropdown(
                choices=list(TASK_PROMPTS.keys()),
                value="More Detailed Caption", # เลือกเป็นค่าเริ่มต้น
                label="ประเภทการวิเคราะห์"
            )
            btn = gr.Button("🚀 สร้างผลลัพธ์", variant="primary")

        with gr.Column():
            text_output = gr.Textbox(label="ผลลัพธ์", lines=10, max_lines=20, show_copy_button=True)

    btn.click(
        fn=process_image,
        inputs=[image_input, task_dropdown],
        outputs=text_output
    )

if __name__ == "__main__":
    demo.launch(debug=True)