Create app.py

app.py

@@ -0,0 +1,62 @@
+import gradio as gr
+from transformers import AutoImageProcessor, AutoModelForImageClassification
+import torch
+from PIL import Image
+import numpy as np
+
+# بارگذاری مدل و processor یک بار موقع شروع
+MODEL_ID = "erfanansaghariyan/mobilew-v11-convnext-tiny-6layer-radiimagen"
+
+processor = AutoImageProcessor.from_pretrained(MODEL_ID)
+model = AutoModelForImageClassification.from_pretrained(MODEL_ID)
+model.eval()
+
+# اگر GPU داشتی فعالش کن
+device = "cuda" if torch.cuda.is_available() else "cpu"
+model.to(device)
+
+def predict(image: Image.Image):
+    # پیش‌پردازش تصویر
+    inputs = processor(images=image, return_tensors="pt")
+    inputs = {k: v.to(device) for k, v in inputs.items()}
+    
+    # inference
+    with torch.no_grad():
+        outputs = model(**inputs)
+    
+    logits = outputs.logits
+    probabilities = torch.softmax(logits, dim=-1).cpu().numpy()[0]
+    
+    # گرفتن top-k پیش‌بینی‌ها
+    top_k = 5
+    top_indices = np.argsort(probabilities)[-top_k:][::-1]
+    labels = [model.config.id2label[idx] for idx in top_indices]
+    probs = [float(probabilities[idx]) for idx in top_indices]
+    
+    # خروجی به صورت دیکشنری برای Gradio
+    result = {label: prob for label, prob in zip(labels, probs)}
+    
+    return result, image  # تصویر + احتمالات
+
+# رابط کاربری Gradio
+demo = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil", label="تصویر رادیولوژی آپلود کن"),
+    outputs=[
+        gr.Label(label="احتمالات کلاس‌ها (Top 5)"),
+        gr.Image(label="تصویر ورودی")
+    ],
+    title="MobileWev-v11 ConvNeXt Tiny - Radiology Image Analysis",
+    description=(
+        "این مدل سبک (ConvNeXt-tiny با 6 لایه) برای تحلیل تصاویر پزشکی/رادیولوژی فاین‌تیون شده است.\n"
+        "تصویر را آپلود کنید تا احتمالات کلاس‌های تشخیص را ببینید."
+    ),
+    examples=[
+        # می‌تونی چند تا مثال تصویر بذاری (آپلود کن توی Space)
+        # مثلاً: ["example_chest_xray.jpg"]
+    ],
+    cache_examples=False,
+)
+
+if __name__ == "__main__":
+    demo.launch()