Update app.py

app.py

@@ -1,165 +1,71 @@
 import gradio as gr
-import numpy as np
-import random
-
-# import spaces #[uncomment to use ZeroGPU]
-from diffusers import DiffusionPipeline
 import torch
+from transformers import pipeline
+from moviepy.editor import VideoFileClip
+from PIL import Image
+import os
 
+# Kiểm tra thiết bị sử dụng GPU hay CPU
 device = "cuda" if torch.cuda.is_available() else "cpu"
-model_repo_id = "stabilityai/sdxl-turbo"  # Replace to the model you would like to use
-
-if torch.cuda.is_available():
-    torch_dtype = torch.float16
-else:
-    torch_dtype = torch.float32
-
-pipe = DiffusionPipeline.from_pretrained(model_repo_id, torch_dtype=torch_dtype)
-pipe = pipe.to(device)
-
-MAX_SEED = np.iinfo(np.int32).max
-MAX_IMAGE_SIZE = 1024
-
-
-# @spaces.GPU #[uncomment to use ZeroGPU]
-def infer(
-    prompt,
-    negative_prompt,
-    seed,
-    randomize_seed,
-    width,
-    height,
-    guidance_scale,
-    num_inference_steps,
-    progress=gr.Progress(track_tqdm=True),
-):
-    if randomize_seed:
-        seed = random.randint(0, MAX_SEED)
-
-    generator = torch.Generator().manual_seed(seed)
-
-    image = pipe(
-        prompt=prompt,
-        negative_prompt=negative_prompt,
-        guidance_scale=guidance_scale,
-        num_inference_steps=num_inference_steps,
-        width=width,
-        height=height,
-        generator=generator,
-    ).images[0]
-
-    return image, seed
-
-
-examples = [
-    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
-    "An astronaut riding a green horse",
-    "A delicious ceviche cheesecake slice",
-]
-
-css = """
-#col-container {
-    margin: 0 auto;
-    max-width: 640px;
-}
-"""
-
-with gr.Blocks(css=css) as demo:
-    with gr.Column(elem_id="col-container"):
-        gr.Markdown(" # Text-to-Image Gradio Template")
-
-        with gr.Row():
-            prompt = gr.Text(
-                label="Prompt",
-                show_label=False,
-                max_lines=1,
-                placeholder="Enter your prompt",
-                container=False,
-            )
-
-            run_button = gr.Button("Run", scale=0, variant="primary")
-
-        result = gr.Image(label="Result", show_label=False)
-
-        with gr.Accordion("Advanced Settings", open=False):
-            negative_prompt = gr.Text(
-                label="Negative prompt",
-                max_lines=1,
-                placeholder="Enter a negative prompt",
-                visible=False,
-            )
-
-            seed = gr.Slider(
-                label="Seed",
-                minimum=0,
-                maximum=MAX_SEED,
-                step=1,
-                value=0,
-            )
-
-            randomize_seed = gr.Checkbox(label="Randomize seed", value=True)
 
+# Tải các mô hình phân loại ảnh và video từ Hugging Face
+image_classifier = pipeline("image-classification", model="google/vit-base-patch16-224-in21k", device=0 if device == "cuda" else -1)
+video_classifier = pipeline("video-classification", model="google/vit-base-patch16-224-in21k", device=0 if device == "cuda" else -1)
+
+# Hàm phân loại ảnh
+def classify_image(image, model_name):
+    # Tùy chọn chọn model ảnh khác nếu người dùng yêu cầu
+    if model_name == "ViT":
+        classifier = image_classifier
+    else:
+        classifier = image_classifier  # Chỉnh sửa ở đây nếu muốn hỗ trợ thêm các mô hình khác
+
+    # Phân loại ảnh
+    result = classifier(image)
+    return result[0]['label'], result[0]['score']
+
+# Hàm phân loại video
+def classify_video(video, model_name):
+    # Tùy chọn chọn model video khác nếu người dùng yêu cầu
+    if model_name == "ViT":
+        classifier = video_classifier
+    else:
+        classifier = video_classifier  # Chỉnh sửa ở đây nếu muốn hỗ trợ thêm các mô hình khác
+
+    # Đọc video và trích xuất các frame (ở đây đơn giản là lấy 1 frame đầu tiên)
+    clip = VideoFileClip(video.name)
+    frame = clip.get_frame(0)
+    image = Image.fromarray(frame)
+    
+    # Phân loại frame đầu tiên của video
+    result = classifier(image)
+    return result[0]['label'], result[0]['score']
+
+# Giao diện Gradio
+with gr.Blocks() as demo:
+    with gr.TabbedInterface() as tabs:
+        with gr.TabItem("Image Classification"):
+            gr.Markdown("### Upload an image for classification")
             with gr.Row():
-                width = gr.Slider(
-                    label="Width",
-                    minimum=256,
-                    maximum=MAX_IMAGE_SIZE,
-                    step=32,
-                    value=1024,  # Replace with defaults that work for your model
-                )
+                model_choice_image = gr.Dropdown(choices=["ViT", "ResNet"], label="Choose a Model", value="ViT")
+                image_input = gr.Image(type="pil", label="Upload Image")
+                image_output_label = gr.Textbox(label="Prediction")
+                image_output_score = gr.Textbox(label="Confidence Score")
 
-                height = gr.Slider(
-                    label="Height",
-                    minimum=256,
-                    maximum=MAX_IMAGE_SIZE,
-                    step=32,
-                    value=1024,  # Replace with defaults that work for your model
-                )
+            classify_image_button = gr.Button("Classify Image")
 
-            with gr.Row():
-                guidance_scale = gr.Slider(
-                    label="Guidance scale",
-                    minimum=0.0,
-                    maximum=10.0,
-                    step=0.1,
-                    value=0.0,  # Replace with defaults that work for your model
-                )
+            classify_image_button.click(classify_image, inputs=[image_input, model_choice_image], outputs=[image_output_label, image_output_score])
 
-                num_inference_steps = gr.Slider(
-                    label="Number of inference steps",
-                    minimum=1,
-                    maximum=50,
-                    step=1,
-                    value=2,  # Replace with defaults that work for your model
-                )
-
-        gr.Examples(examples=examples, inputs=[prompt])
-    gr.on(
-        triggers=[run_button.click, prompt.submit],
-        fn=infer,
-        inputs=[
-            prompt,
-            negative_prompt,
-            seed,
-            randomize_seed,
-            width,
-            height,
-            guidance_scale,
-            num_inference_steps,
-        ],
-        outputs=[result, seed],
-    )
-
-import os
-
-# Danh sách thư mục cần tạo
-folders = ["model", "data", "outputs", "logs"]
-
-for folder in folders:
-    os.makedirs(folder, exist_ok=True)  # exist_ok=True để tránh lỗi nếu thư mục đã tồn tại
+        with gr.TabItem("Video Classification"):
+            gr.Markdown("### Upload a video for classification")
+            with gr.Row():
+                model_choice_video = gr.Dropdown(choices=["ViT", "ResNet"], label="Choose a Model", value="ViT")
+                video_input = gr.Video(label="Upload Video")
+                video_output_label = gr.Textbox(label="Prediction")
+                video_output_score = gr.Textbox(label="Confidence Score")
 
-print("Thư mục đã được tạo thành công!")
+            classify_video_button = gr.Button("Classify Video")
 
+            classify_video_button.click(classify_video, inputs=[video_input, model_choice_video], outputs=[video_output_label, video_output_score])
 
-if __name__ == "__main__":
     demo.launch()