app.py

import gradio as gr
import torch
import numpy as np
import random
import os
from PIL import Image

from model import PretrainedUNet
from dataset import LEVIRCDDataset
from inference import load_model, run_inference, create_overlay
from utils import setup_dataset

# Configuration
MODEL_PATH = "levid-cd-15.09_weights.pth"
DEVICE = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# Initialize
print(f"Using device: {DEVICE}")

# Setup dataset
dataset_path = setup_dataset()
if dataset_path is None:
    raise Exception("Failed to setup dataset")

# Load dataset
dataset = LEVIRCDDataset(dataset_path)
if len(dataset) == 0:
    raise Exception("No valid images found in dataset")

# Load model
try:
    model = load_model(MODEL_PATH, DEVICE)
    print("Model loaded successfully!")
except Exception as e:
    print(f"Error loading model: {e}")
    model = None

def get_random_prediction():
    """Get random image and run prediction"""
    if model is None:
        return None, None, None, None
    
    if len(dataset) == 0:
        return None, None, None, None
    
    # Get random sample
    idx = random.randint(0, len(dataset) - 1)
    sample = dataset.get_sample(idx)
    
    # Run inference
    pred_mask = run_inference(
        model, 
        sample['img_a_tensor'], 
        sample['img_b_tensor'],
        DEVICE
    )
    
    # Create visualizations
    img_before = sample['img_a_orig']
    img_after = sample['img_b_orig']
    
    # Ground truth overlay (red) - FIX THIS PART
    img_gt = create_overlay(
    sample['img_b_orig'],
    sample['mask_orig'],
    [255, 100, 100],
    threshold=0.5  # Changed from 128 to 0.5
    )
    
    # Prediction overlay (blue)
    img_pred = create_overlay(
        sample['img_b_orig'],
        pred_mask,
        [100, 100, 255],
        threshold=0.5
    )
    
    return img_before, img_after, img_gt, img_pred

# Create Gradio interface
with gr.Blocks(title="Yapılaşma Değişim Tespiti", theme=gr.themes.Soft()) as demo:
    gr.Markdown("""
    # 🏗️ Yapay Zeka Yardımıyla Yapılaşmadaki Değişimlerin İzlenmesi
    
    ### 📖 Uygulama Hakkında
    Bu yapay zekâ modeli, Amerika Birleşik Devletleri'nin **Texas eyaletinde, Austin şehrine ait uydu görüntüleri** kullanılarak eğitilmiştir.
    Gösterilen tüm tahminler bu bölgeye aittir.
    
    Sistem iki farklı sonucu karşılaştırmalı olarak sunar:
    - **İnsan eliyle işaretlenmiş gerçek veriler** (Kırmızı renk ile gösterilir)
    - **Yapay zekâ tarafından otomatik üretilen tahminler** (Mavi renk ile gösterilir)
     """)
    
    # Random button
    with gr.Row():
        btn = gr.Button(
            "🎲 Rastgele Görsel Göster",
            variant="primary",
            scale=1
        )
    
    # Image grid - 2x2 layout
    with gr.Row():
        with gr.Column():
            img_before = gr.Image(
                label="📅 Önceki Görüntü",
                type="pil",
                height=300
            )
        with gr.Column():
            img_after = gr.Image(
                label="📅 Sonraki Görüntü",
                type="pil",
                height=300
            )
    
    with gr.Row():
        with gr.Column():
            img_gt = gr.Image(
                label="👤 İnsan Eliyle İşaretlenmiş",
                type="pil",
                height=300
            )
        with gr.Column():
            img_pred = gr.Image(
                label="🤖 Yapay Zekâ Tahmini",
                type="pil",
                height=300
            )
    
    # Info footer
    gr.Markdown("""
    ---
    **Kaynak kodlara "Files" dosyası üzerinden ulaşabilirsiniz..
    """)
    
    # Connect button
    btn.click(
        fn=get_random_prediction,
        inputs=None,
        outputs=[img_before, img_after, img_gt, img_pred]
    )
    
    # Load initial image on startup
    demo.load(
        fn=get_random_prediction,
        inputs=None,
        outputs=[img_before, img_after, img_gt, img_pred]
    )

if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860)