Update app.py

app.py

@@ -1,13 +1,10 @@
-from fastapi import FastAPI, File, UploadFile, HTTPException
-from fastapi.responses import JSONResponse
-from PIL import Image
+import gradio as gr
 import numpy as np
+from PIL import Image
 import tensorflow as tf
 import requests
-import io
-
-app = FastAPI(title="رتینوپاتی دیابتی API")
 
+# --- دانلود مدل TFLite ---
 MODEL_URL = "https://huggingface.co/megsciip/eye1/resolve/main/eye_modelv2.tflite"
 MODEL_PATH = "eye_modelv2.tflite"
 
@@ -22,11 +19,13 @@ def download_model():
 
 download_model()
 
+# --- لود مدل ---
 interpreter = tf.lite.Interpreter(model_path=MODEL_PATH)
 interpreter.allocate_tensors()
 input_details = interpreter.get_input_details()
 output_details = interpreter.get_output_details()
 
+# --- تنظیمات ---
 IMG_SIZE = (224, 224)
 CLASS_NAMES = [
     "۰ - بدون رتینوپاتی (چشم سالم)",
@@ -36,7 +35,8 @@ CLASS_NAMES = [
     "۴ - رتینوپاتی تکثیری (Proliferative DR)"
 ]
 
-def preprocess_image(img: Image.Image):
+# --- پیش‌پردازش ساده ---
+def preprocess_image(img):
     img = img.resize(IMG_SIZE)
     if img.mode != 'RGB':
         img = img.convert('RGB')
@@ -45,40 +45,57 @@ def preprocess_image(img: Image.Image):
     img_array = tf.keras.applications.resnet50.preprocess_input(img_array)
     return img_array
 
-@app.post("/predict")
-async def predict(file: UploadFile = File(...)):
-    if not file.content_type.startswith("image/"):
-        raise HTTPException(400, detail="فقط فایل تصویری!")
+# --- پیش‌بینی ساده ---
+def predict_retinopathy(input_image):
+    if input_image is None:
+        return None, "⚠️ تصویر آپلود کنید!"
     
     try:
-        contents = await file.read()
-        img = Image.open(io.BytesIO(contents))
-        
-        input_data = preprocess_image(img)
+        input_data = preprocess_image(input_image)
         interpreter.set_tensor(input_details[0]['index'], input_data)
         interpreter.invoke()
         predictions = interpreter.get_tensor(output_details[0]['index'])[0]
         
-        predicted_idx = int(np.argmax(predictions))
-        confidence = float(predictions[predicted_idx])
+        predicted_class = int(np.argmax(predictions))
+        confidence = float(predictions[predicted_class])
         
-        result = {
-            "diagnosis": CLASS_NAMES[predicted_idx],
-            "confidence": f"{confidence:.1%}",
-            "probabilities": {CLASS_NAMES[i].split(" - ")[1]: f"{float(predictions[i]):.1%}" for i in range(5)},
-            "recommended_action": "مشاوره با چشم‌پزشک ضروری است." if predicted_idx > 0 else "چشم سالم."
-        }
+        result = f"**تشخیص:** {CLASS_NAMES[predicted_class]}\n"
+        result += f"**اطمینان:** {confidence:.1%}\n\n"
+        result += "**احتمالات:**\n"
+        for i, prob in enumerate(predictions):
+            result += f"- {CLASS_NAMES[i]}: {prob:.1%}\n"
         
-        return JSONResponse(result)
-    
+        return input_image, result
     except Exception as e:
-        raise HTTPException(500, detail=f"خا: {str(e)}")
+        return input_image, f"خطا: {str(e)}\nسعی کن عکس رنگی JPG آپلود کنی."
 
-@app.get("/")
-def home():
-    return {"message": "API فعال! POST به /predict"}
+# --- اینترفیس: تصویر در چپ (با سایز ثابت) + نتایج در راست ---
+with gr.Blocks() as demo:
+    gr.Markdown("# تشخیص رتینوپاتی دیابتی\nآپلود تصویر شبکیه و تشخیص فوری!")
+    
+    with gr.Row():
+        # ستون چپ: کادر آپلود و نمایش تصویر (سایز ثابت)
+        input_img = gr.Image(
+            label="تصویر شبکیه (آپلود کنید)",
+            type="pil",
+            height=500,          # ارتفاع ثابت
+            width=500,           # عرض ثابت (مربعی)
+            interactive=True
+        )
+        
+        # ستون راست: کادر نتیجه (کنار تصویر)
+        output_text = gr.Textbox(
+            label="نتیجه تشخیص",
+            lines=15,            # خطوط کافی برای نمایش همه احتمالات
+            interactive=False,
+            scale=1              # نسبت عرض ستون (می‌تونی تنظیم کنی)
+        )
+    
+    btn = gr.Button("تشخیص بده")
+    btn.click(
+        fn=predict_retinopathy,
+        inputs=input_img,
+        outputs=[input_img, output_text]  # تصویر رو در همان کادر refresh می‌کنه
+    )
 
-# <<<--- این بخش رو اضافه کن --->>>
-if __name__ == "__main__":
-    import uvicorn
-    uvicorn.run(app, host="0.0.0.0", port=7860)
+demo.launch(share=True)  # لینک عمومی می‌دهد