app.py

import gradio as gr
import torch
from PIL import Image
from transformers import CLIPProcessor, CLIPModel

# تحميل الموديل والمعالج
model_id = "openai/clip-vit-base-patch32"
model = CLIPModel.from_pretrained(model_id)
processor = CLIPProcessor.from_pretrained(model_id)

def classify_child_image(image, labels_text):
    if image is None:
        return "Please upload an image."
    
    # تحويل النص المدخل إلى قائمة من التصنيفات
    labels = [label.strip() for label in labels_text.split(",")]
    
    # معالجة المدخلات
    inputs = processor(text=labels, images=image, return_tensors="pt", padding=True)
    
    # التنبؤ
    with torch.no_grad():
        outputs = model(**inputs)
    
    # حساب الاحتمالات
    logits_per_image = outputs.logits_per_image
    probs = logits_per_image.softmax(dim=1).numpy()[0]
    
    # تجهيز النتيجة بصيغة قاموس لواجهة Gradio
    return {labels[i]: float(probs[i]) for i in range(len(labels))}

# بناء واجهة المستخدم
with gr.Blocks() as demo:
    gr.Markdown("# 📸 Child Case Classification (CLIP)")
    gr.Markdown("ارفع صورة الطفل واكتب الحالات المحتملة مفصولة بفاصلة (مثلاً: healthy, skin rash, measuring)")
    
    with gr.Row():
        with gr.Column():
            input_img = gr.Image(type="pil", label="الصورة")
            input_labels = gr.Textbox(
                label="التصنيفات (فصل بفاصلة)", 
                placeholder="healthy, rash, crying..."
            )
            btn = gr.Button("تحليل الحالة")
        
        with gr.Column():
            output_label = gr.Label(label="النتائج")

    btn.click(fn=classify_child_image, inputs=[input_img, input_labels], outputs=output_label)

# تشغيل الواجهة
if __name__ == "__main__":
    demo.launch()