Update app.py

app.py

@@ -78,27 +78,91 @@ def init_face_parser():
     
     model_name = "jonathandinu/face-parsing"
     
-    # لیست استراتژی‌های مختلف لود
-    strategies = [
-        # استراتژی ۱: لود مستقیم با تنظیمات بهینه
-        lambda: load_strategy_1(model_name),
+    try:
+        print("[FaceParsing] Creating custom image processor...")
         
-        # استراتژی ۲: لود با معماری مشخص
-        lambda: load_strategy_2(model_name),
+        from transformers import AutoModelForImageSegmentation
+        import torch
+        from PIL import Image
+        import numpy as np
         
-        # استراتژی ۳: دانلود و لود مجدد
-        lambda: load_strategy_3(model_name),
-    ]
-    
-    for i, strategy in enumerate(strategies, 1):
-        print(f"[FaceParsing] Trying strategy {i}...")
-        success = strategy()
-        if success:
-            FACE_PARSING_AVAILABLE = True
-            return True
-    
-    print("[FaceParsing] ⚠ All strategies failed, using CV2 fallback")
-    return False
+        # ۱. اول model را بدون processor لود کن
+        print("[FaceParsing] Loading model (without processor)...")
+        model = AutoModelForImageSegmentation.from_pretrained(
+            model_name,
+            trust_remote_code=True,
+            ignore_mismatched_sizes=True
+        )
+        
+        # ۲.创建一个 custom processor
+        class CustomImageProcessor:
+            def __init__(self):
+                self.size = {"height": 512, "width": 512}
+                self.do_resize = True
+                self.do_normalize = True
+                self.image_mean = [0.485, 0.456, 0.406]
+                self.image_std = [0.229, 0.224, 0.225]
+                
+            def __call__(self, images, return_tensors="pt"):
+                # تبدیل PIL Image به tensor
+                if isinstance(images, Image.Image):
+                    images = [images]
+                
+                processed_images = []
+                for img in images:
+                    # resize
+                    img = img.resize((self.size["width"], self.size["height"]))
+                    
+                    # به numpy array تبدیل کن
+                    img_array = np.array(img).astype(np.float32) / 255.0
+                    
+                    # normalize
+                    if self.do_normalize:
+                        img_array = (img_array - self.image_mean) / self.image_std
+                    
+                    # از HWC به CHW تغییر بده
+                    img_array = np.transpose(img_array, (2, 0, 1))
+                    
+                    processed_images.append(img_array)
+                
+                # به tensor تبدیل کن
+                if return_tensors == "pt":
+                    return {"pixel_values": torch.tensor(np.stack(processed_images))}
+                return {"pixel_values": np.stack(processed_images)}
+            
+            def post_process_semantic_segmentation(self, outputs, target_sizes=None):
+                # پردازش خروجی مدل
+                logits = outputs.logits
+                
+                if target_sizes is not None:
+                    # resize به اندازه اصلی
+                    pass
+                    
+                return logits.argmax(dim=1)
+        
+        # ۳. ایجاد processor
+        processor = CustomImageProcessor()
+        
+        # ۴. ذخیره
+        FACE_PARSER = {
+            'processor': processor,
+            'model': model,
+            'type': 'custom'
+        }
+        
+        FACE_PARSING_AVAILABLE = True
+        print("[FaceParsing] ✓ Model loaded with custom processor!")
+        return True
+        
+    except Exception as e:
+        print(f"[FaceParsing] Failed: {str(e)[:200]}")
+        
+        # لاگ کامل خطا
+        import traceback
+        print(f"[FaceParsing] Traceback: {traceback.format_exc()[:500]}")
+        
+        print("[FaceParsing] ⚠ Using CV2 fallback")
+        return False
 
 def load_strategy_1(model_name):
     """استراتژی ۱: لود استاندارد با تنظیمات پیشرفته"""