Create app.py

app.py

@@ -0,0 +1,100 @@
+import gradio as gr
+from transformers import AutoImageProcessor, AutoModel
+import torch
+from PIL import Image
+import os
+import json
+import uuid
+import numpy as np
+
+# Загрузка модели DINOv2
+processor = AutoImageProcessor.from_pretrained("facebook/dino-vits16")
+model = AutoModel.from_pretrained("facebook/dino-vits16")
+
+# Функция для извлечения эмбеддинга
+def extract_features(img):
+    inputs = processor(images=img, return_tensors="pt")
+    with torch.no_grad():
+        outputs = model(**inputs)
+    return outputs.last_hidden_state[:, 0].squeeze().numpy()
+
+# Косинусное расстояние между двумя эмбеддингами
+def cosine_similarity(vec1, vec2):
+    a = np.array(vec1)
+    b = np.array(vec2)
+    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))
+
+# Путь к базе
+db_path = "embeddings.json"
+
+# Сохранение фото в базу
+def save_embedding(image, building_name):
+    if not building_name:
+        return "Ошибка: нужно указать название здания."
+    
+    embedding = extract_features(image).tolist()
+    entry = {
+        "id": str(uuid.uuid4()),
+        "building_name": building_name,
+        "embedding": embedding
+    }
+
+    if os.path.exists(db_path):
+        with open(db_path, "r") as f:
+            data = json.load(f)
+    else:
+        data = []
+
+    data.append(entry)
+
+    with open(db_path, "w") as f:
+        json.dump(data, f, indent=2)
+
+    return f"Фото сохранено для здания: {building_name}"
+
+# Поиск похожего здания
+def identify_building(image):
+    if not os.path.exists(db_path):
+        return "База данных пуста. Добавьте здания."
+
+    with open(db_path, "r") as f:
+        data = json.load(f)
+
+    if not data:
+        return "База данных пуста."
+
+    embedding = extract_features(image).tolist()
+
+    similarities = []
+    for item in data:
+        score = cosine_similarity(item["embedding"], embedding)
+        similarities.append({
+            "building_name": item["building_name"],
+            "score": score
+        })
+
+    similarities.sort(key=lambda x: x["score"], reverse=True)
+    best = similarities[0]
+
+    return f"Похоже на: {best['building_name']}\nСовпадение: {best['score']:.4f}"
+
+# Интерфейс
+with gr.Blocks() as demo:
+    gr.Markdown("## 🏛 Распознавание зданий и пополнение базы")
+
+    with gr.Tab("🔍 Найти здание"):
+        with gr.Row():
+            img_input = gr.Image(type="pil")
+            recognize_button = gr.Button("Распознать здание")
+        result_text = gr.Textbox()
+        recognize_button.click(fn=identify_building, inputs=img_input, outputs=result_text)
+
+    with gr.Tab("➕ Добавить новое здание"):
+        with gr.Row():
+            img_save = gr.Image(type="pil")
+            building_name = gr.Textbox(label="Название здания")
+            save_button = gr.Button("Сохранить в базу")
+        save_result = gr.Textbox()
+        save_button.click(fn=save_embedding, inputs=[img_save, building_name], outputs=save_result)
+
+demo.launch()