Update app.py

app.py

@@ -3,26 +3,21 @@ import gradio as gr
 from collections import Counter
 from transformers import AutoImageProcessor, AutoModelForImageClassification
 from PIL import Image
-import torch, math
+import torch, math, pandas as pd
 
 # ==============================
-# 📦 بارگذاری مدل
+# 📦 بارگذاری مدل (یکبار کش میشه)
 # ==============================
-@torch.no_grad()
-def load_model():
-    model_id = "prithivMLmods/Minc-Materials-23"
-    processor = AutoImageProcessor.from_pretrained(model_id)
-    model = AutoModelForImageClassification.from_pretrained(model_id)
-    return processor, model
-
-processor, model = load_model()
+model_id = "prithivMLmods/Minc-Materials-23"
+processor = AutoImageProcessor.from_pretrained(model_id)
+model = AutoModelForImageClassification.from_pretrained(model_id)
 
 # ==============================
-# پارامترهای مصالح
+# 📊 پارامترهای مصالح
 # ==============================
 material_params = {
-    "brick":{"alpha":0.3,"eps":0.9,"I":1600},
-    "stone":{"alpha":0.25,"eps":0.92,"I":2000},
+    "brick": {"alpha":0.3,"eps":0.9,"I":1600},
+    "stone": {"alpha":0.25,"eps":0.92,"I":2000},
     "polishedstone":{"alpha":0.2,"eps":0.9,"I":2100},
     "concrete":{"alpha":0.35,"eps":0.9,"I":1800},
     "metal":{"alpha":0.5,"eps":0.2,"I":4000},
@@ -36,7 +31,19 @@ material_params = {
     "mirror":{"alpha":0.7,"eps":0.1,"I":2000},
     "foliage":{"alpha":0.25,"eps":0.98,"I":900},
     "water":{"alpha":0.06,"eps":0.98,"I":4200},
-    "sky":{"alpha":1.0,"eps":1.0,"I":0},
+   
+}
+
+# دسته‌ها و جایگزین‌ها (خلاصه)
+replacement_text = {
+    "facade": {"brick":"آجر روشن یا نمای سرامیکی روشن","stone":"سنگ روشن یا نمای گچی بازتابی"},
+    "glazing": {"glass":"شیشه دوجداره Low-E","mirror":"شیشه مات یا بازتاب متعادل"},
+    "metallic": {"metal":"آلومینیوم رنگ روشن"},
+    "coverings": {"plastic":"چوب روشن یا سنگ سبک"},
+    "wood_elements": {"wood":"چوب روشن با پوشش بازتابی"},
+    "vegetation": {"foliage":None},
+    "water_bodies": {"water":None},
+   
 }
 
 material_categories = {
@@ -47,104 +54,83 @@ material_categories = {
     "wood_elements":["wood"],
     "vegetation":["foliage"],
     "water_bodies":["water"],
-    "background":["sky"]
-}
-
-replacement_text = {
-    "facade": {"brick":"آجر روشن یا نمای سرامیکی روشن","stone":"سنگ روشن","tile":"کاشی/سرامیک روشن","ceramic":"سرامیک روشن","painted":"رنگ بازتابی"},
-    "glazing":{"glass":"شیشه دوجداره Low-E","mirror":"شیشه مات یا بازتاب متعادل"},
-    "metallic":{"metal":"آلومینیوم رنگ روشن"},
-    "coverings":{"plastic":"چوب روشن یا سنگ سبک","paper":"مواد پوششی بازتابی","fabric":"پارچه بازتابی"},
-    "wood_elements":{"wood":"چوب روشن با پوشش بازتابی"},
-    "vegetation":{"foliage":None},
-    "water_bodies":{"water":None},
-    "background":{"sky":None}
+    
 }
 
 # ==============================
-# محاسبات ΔT
+# محاسبات
 # ==============================
 def ET_proxy(T,RH):
-    es=0.6108*math.exp((17.27*T)/(T+237.3))
+    es = 0.6108*math.exp((17.27*T)/(T+237.3))
     return es*(1-RH/100)
 
 def calc_deltaT(material,T_air,RH,u,S):
     if material not in material_params: return 0.0
-    p=material_params[material]
-    alpha,eps,I=p["alpha"],p["eps"],p["I"]
-    A,B,C,D=1.0,0.4,0.8,0.015
-    h_c=5.8+4.1*u
+    p = material_params[material]
+    alpha,eps,I = p["alpha"],p["eps"],p["I"]
+    A,B,C,D = 1.0,0.4,0.8,0.015
+    h_c = 5.8+4.1*u
     if material=="foliage":
-        C_m=A*(1-alpha)-D*ET_proxy(T_air,RH)
+        C_m = A*(1-alpha)-D*ET_proxy(T_air,RH)
     else:
-        C_m=A*(1-alpha)+B*(1-eps)+(C/math.sqrt(max(I,1)))
-    gamma=S/max(h_c,1e-6)
+        C_m = A*(1-alpha)+B*(1-eps)+(C/math.sqrt(max(I,1)))
+    gamma = S/max(h_c,1e-6)
     return gamma*C_m/1000.0
-
-# ==============================
-# تقسیم تصویر به پچ‌ها
-# ==============================
-def get_patches(image,size=400,stride=350):
-    patches=[]
-    w,h=image.size
-    for i in range(0,w,stride):
-        for j in range(0,h,stride):
-            box=(i,j,min(i+size,w),min(j+size,h))
-            patch=image.crop(box)
-            if patch.size[0]<size//2 or patch.size[1]<size//2: continue
-            patches.append(patch)
+# بهبود تابع برش تصویر - افزایش همپوشانی برای پوشش بهتر
+def get_patches(image, size=224, stride=100):  # کاهش stride از 200 به 100
+    patches = []
+    w, h = image.size
+    
+    # افزودن مقیاس‌های مختلف
+    for scale in [1.0, 0.75, 0.5]:
+        scaled_w, scaled_h = int(w * scale), int(h * scale)
+        if min(scaled_w, scaled_h) < size:
+            continue
+            
+        scaled_img = image.resize((scaled_w, scaled_h), Image.Resampling.LANCZOS)
+        
+        for i in range(0, scaled_w, stride):
+            for j in range(0, scaled_h, stride):
+                box = (i, j, min(i+size, scaled_w), min(j+size, scaled_h))
+                patch = scaled_img.crop(box)
+                if patch.size[0] >= size and patch.size[1] >= size:
+                    patches.append(patch)
+    
     return patches
-
 # ==============================
-# تابع اصلی آنالیز
+# تابع اصلی
 # ==============================
 def analyze(img,T_air,RH=40,u=2,S=700):
     img=img.convert("RGB")
-    # Resize هوشمند
-    max_size=1024
-    if max(img.size)>max_size:
-        img.thumbnail((max_size,max_size))
-    
     patches=get_patches(img)
-    if len(patches)==0:
-        return "⛔ تصویر نامعتبر است یا کوچک است."
-    
+
     all_predictions=[]
     for patch in patches:
         inputs=processor(images=patch,return_tensors="pt")
         with torch.no_grad():
             outputs=model(**inputs)
             probs=torch.nn.functional.softmax(outputs.logits,dim=-1)
-        confidence,pred=torch.max(probs,dim=-1)
-        if confidence.item()<0.6: continue
-        label=model.config.id2label[pred.item()]
+        label=model.config.id2label[torch.argmax(probs[0]).item()]
         all_predictions.append(label)
-    
-    if not all_predictions:
-        return "⛔ هیچ مصالح معتبری شناسایی نشد."
-    
+
     counter=Counter(all_predictions)
-    total=len(all_predictions)
+    total_patches=len(patches)
     materials_found={m for m,c in counter.items() if c>=3 and m in material_params}
-    
-    if not materials_found:
-        return "⛔ هیچ مصالح معتبری شناسایی نشد."
-    
+
     results=[]
     for m in materials_found:
-        share=counter[m]/total
+        share=counter[m]/total_patches
         dT=calc_deltaT(m,T_air,RH,u,S)
-        category=next((cat for cat,members in material_categories.items() if m in members),None)
-        suggestion=replacement_text.get(category,{}).get(m,"نیازی به جایگزینی ندارد")
-        results.append(f"{m} | سهم={share*100:.1f}% | ΔT={dT:+.3f}°C | پیشنهاد: {suggestion}")
-    
-    scene_deltaT=sum((counter[m]/total)*calc_deltaT(m,T_air,RH,u,S) for m in materials_found)
+        results.append(f"{m} | سهم={share*100:.1f}% | ΔT={dT:+.3f}°C")
+
+    if not results: return "⛔ هیچ مصالح معتبری شناسایی نشد."
+
+    scene_deltaT=sum((counter[m]/total_patches)*calc_deltaT(m,T_air,RH,u,S) for m in materials_found)
     summary=f"📌 ΔT میانگین وزنی: {scene_deltaT:+.2f} °C\n📌 دمای مؤثر سطح: {T_air+scene_deltaT:.2f} °C"
-    
     return "\n".join(results+["",summary])
 
 # ==============================
-# رابط Gradio
+# رابط کاربری Gradio
 # ==============================
 demo = gr.Interface(
     fn=analyze,
@@ -155,11 +141,8 @@ demo = gr.Interface(
         gr.Number(label="💨 سرعت باد (m/s)",value=2),
         gr.Number(label="☀️ تابش خورشیدی (W/m²)",value=700)
     ],
-    outputs=gr.Textbox(label="نتایج تحلیل"),
-    title="🏗️ تحلیل مصالح و توصیه اقلیمی",
-    description="این اپلیکیشن مصالح را از تصویر شناسایی کرده و ΔT سطح و پیشنهادهای جایگزینی را نمایش می‌دهد.",
-    allow_flagging="never"
+    outputs=gr.Textbox(label="نتایج تحلیل")
 )
 
 if __name__=="__main__":
-    demo.launch(share=True)
+    demo.launch()