Update app.py

app.py

@@ -2,130 +2,236 @@ import gradio as gr
 import numpy as np
 from PIL import Image
 import cv2
+import dlib
 import os
-import tempfile
 import warnings
 warnings.filterwarnings('ignore')
 
 # عنوان برنامه
-TITLE = "🔍 سامانه تشخیص هویت چهره"
+TITLE = "🔍 سامانه پیشرفته تشخیص هویت چهره"
 DESCRIPTION = """
-🎯 سیستم هوشمند تشخیص هویت از طریق تصویر چهره
+🎯 سیستم هوشمند تشخیص هویت با استفاده از نقاط کلیدی صورت
 
 ✨ امکانات:
-- تشخیص چهره‌های یکسان از زوایای مختلف
-- مقاوم در برابر تغییرات نور و آرایش  
-- دقت بالا در شرایط مختلف
-- نمایش نتایج کامل و تحلیلی
+- تشخیص ۶۸ نقطه کلیدی روی چهره
+- مقایسه ساختار استخوانی و هندسی صورت
+- مقاوم در برابر تغییرات نور و آرایش
+- دقت بسیار بالا با الگوریتم‌های پیشرفته
 
 📌 راهنمایی:
 1. تصویر اول را آپلود کنید
-2. تصویر دوم را آپلود کنید
+2. تصویر دوم را آپلود کنید  
 3. دقت مورد نظر را انتخاب کنید
 4. روی دکمه "تشخیص هویت" کلیک کنید
 """
 
-# توضیحات بیشتر
-ARTICLE = """
-### 🔬 نحوه عملکرد سیستم
+# بارگذاری مدل‌های dlib
+print("🔄 در حال بارگذاری مدل‌های تشخیص چهره...")
 
-این سیستم از الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌کند:
+try:
+    # تشخیص نقاط کلیدی صورت
+    predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
+    detector = dlib.get_frontal_face_detector()
+    face_rec_model = dlib.face_recognition_model_v1('dlib_face_recognition_resnet_model_v1.dat')
+    print("✅ مدل‌ها با موفقیت بارگذاری شدند!")
+    
+    MODELS_LOADED = True
+except Exception as e:
+    print(f"⚠️ مدل‌ها یافت نشدند. از روش جایگزین استفاده می‌کنیم... {e}")
+    MODELS_LOADED = False
 
-1. **تشخیص چهره**: پیدا کردن موقعیت چهره در تصویر
-2. **استخراج ویژگی**: تبدیل چهره به بردار عددی
-3. **مقایسه**: محاسبه فاصله بین بردارهای ویژگی
-4. **تصمیم‌گیری**: مقایسه فاصله با آستانه انتخابی
-"""
+# تابع تشخیص چهره و نقاط کلیدی با dlib
+def detect_face_landmarks_dlib(image_array):
+    """تشخیص ۶۸ نقطه کلیدی صورت با dlib"""
+    if not MODELS_LOADED:
+        return None, None, None
+    
+    try:
+        # تشخیص چهره
+        faces = detector(image_array, 1)
+        
+        if len(faces) == 0:
+            return None, None, None
+        
+        # گرفتن اولین چهره
+        face = faces[0]
+        
+        # تشخیص نقاط کلیدی
+        shape = predictor(image_array, face)
+        
+        # استخراج بردار ویژگی چهره
+        face_descriptor = face_rec_model.compute_face_descriptor(image_array, shape)
+        face_encoding = np.array(face_descriptor)
+        
+        # استخراج نقاط کلیدی
+        landmarks = np.array([[p.x, p.y] for p in shape.parts()])
+        
+        return face, landmarks, face_encoding
+    
+    except Exception as e:
+        print(f"خطا در تشخیص نقاط کلیدی: {e}")
+        return None, None, None
 
-# تابع تشخیص چهره با OpenCV
-def detect_faces_opencv(image_array):
-    """تشخیص چهره با استفاده از OpenCV"""
+# تابع تشخیص چهره جایگزین با OpenCV
+def detect_face_features_opencv(image_array):
+    """تشخیص ویژگی‌های صورت با OpenCV پیشرفته"""
     try:
-        # تبدیل به تصویر سیاه و سفید
+        # تشخیص چهره
         gray = cv2.cvtColor(image_array, cv2.COLOR_RGB2GRAY)
-        
-        # استفاده از Haar Cascade برای تشخیص چهره
         face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
-        faces = face_cascade.detectMultiScale(
-            gray, 
-            scaleFactor=1.1, 
-            minNeighbors=5, 
-            minSize=(30, 30),
-            flags=cv2.CASCADE_SCALE_IMAGE
-        )
+        faces = face_cascade.detectMultiScale(gray, 1.3, 5)
         
         if len(faces) == 0:
-            # تلاش با تنظیمات متفاوت
-            faces = face_cascade.detectMultiScale(
-                gray, 
-                scaleFactor=1.05, 
-                minNeighbors=3, 
-                minSize=(20, 20)
-            )
+            return None, None
+        
+        # گرفتن اولین چهره
+        x, y, w, h = faces[0]
+        face_region = image_array[y:y+h, x:x+w]
+        
+        # استخراج ویژگی‌های پیشرفته
+        # ۱. هیستوگرام گرادیان‌ها (HOG)
+        gray_face = cv2.cvtColor(face_region, cv2.COLOR_RGB2GRAY)
+        gray_face = cv2.resize(gray_face, (64, 128))
         
-        return faces
+        # محاسبه گرادیان
+        gx = cv2.Sobel(gray_face, cv2.CV_32F, 1, 0)
+        gy = cv2.Sobel(gray_face, cv2.CV_32F, 0, 1)
+        
+        mag, ang = cv2.cartToPolar(gx, gy)
+        
+        # هیستوگرام گرادیان‌های جهت‌دار
+        bins = np.int32(16 * ang / (2 * np.pi))
+        bin_cells = bins[:10, :10], bins[10:, :10], bins[:10, 10:], bins[10:, 10:]
+        mag_cells = mag[:10, :10], mag[10:, :10], mag[:10, 10:], mag[10:, 10:]
+        
+        hists = [np.bincount(b.ravel(), m.ravel(), 16) for b, m in zip(bin_cells, mag_cells)]
+        hist = np.hstack(hists)
+        
+        # ۲. ویژگی‌های رنگ و بافت
+        face_resized = cv2.resize(face_region, (64, 64))
+        
+        # هیستوگرام رنگ
+        color_hist = cv2.calcHist([face_resized], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256]).flatten()
+        color_hist = color_hist[:128]  # گرفتن ۱۲۸ مقدار اول
+        
+        # ویژگی‌های آماری
+        mean_color = face_resized.mean(axis=(0, 1))
+        std_color = face_resized.std(axis=(0, 1))
+        
+        # ۳. ویژگی‌های الگوی محلی (LBP)
+        lbp_features = extract_lbp_features(gray_face)[:64]
+        
+        # ترکیب تمام ویژگی‌ها
+        features = np.concatenate([
+            hist / (hist.sum() + 1e-8),  # نرمال‌سازی هیستوگرام
+            color_hist / (color_hist.sum() + 1e-8),  # نرمال‌سازی هیستوگرام رنگ
+            mean_color / 255,
+            std_color / 255,
+            lbp_features
+        ])
+        
+        return faces[0], features
     
     except Exception as e:
-        print(f"خطا در تشخیص چهره OpenCV: {e}")
-        return []
+        print(f"خطا در استخراج ویژگی‌های OpenCV: {e}")
+        return None, None
 
-# تابع استخراج ویژگی‌های چهره
-def extract_face_features(image_array, faces):
-    """استخراج ویژگی‌های چهره"""
-    if len(faces) == 0:
-        return None
-    
-    # استفاده از اولین چهره تشخیص داده شده
-    x, y, w, h = faces[0]
-    face_region = image_array[y:y+h, x:x+w]
-    
+def extract_lbp_features(gray_image):
+    """استخراج ویژگی‌های الگوی محلی باینری (LBP)"""
     try:
         # تغییر سایز به اندازه ثابت
-        face_resized = cv2.resize(face_region, (128, 128))
-        
-        # نرمال‌سازی
-        face_normalized = face_resized / 255.0
+        img = cv2.resize(gray_image, (64, 64))
         
-        # استخراج ویژگی‌های ساده
-        features = {
-            'histogram': cv2.calcHist([face_resized], [0, 1, 2], None, [8, 8, 8], [0, 256, 0, 256, 0, 256]).flatten(),
-            'mean_color': face_normalized.mean(axis=(0, 1)),
-            'std_color': face_normalized.std(axis=(0, 1)),
-        }
+        # محاسبه LBP
+        lbp = np.zeros_like(img, dtype=np.uint8)
         
-        # ترکیب ویژگی‌ها
-        feature_vector = np.concatenate([
-            features['histogram'][:64],
-            features['mean_color'] * 10,
-            features['std_color'] * 10,
-        ])
+        for i in range(1, img.shape[0]-1):
+            for j in range(1, img.shape[1]-1):
+                center = img[i, j]
+                code = 0
+                code |= (img[i-1, j-1] >= center) << 7
+                code |= (img[i-1, j] >= center) << 6
+                code |= (img[i-1, j+1] >= center) << 5
+                code |= (img[i, j+1] >= center) << 4
+                code |= (img[i+1, j+1] >= center) << 3
+                code |= (img[i+1, j] >= center) << 2
+                code |= (img[i+1, j-1] >= center) << 1
+                code |= (img[i, j-1] >= center) << 0
+                lbp[i, j] = code
         
-        return feature_vector
+        # هیستوگرام LBP
+        hist, _ = np.histogram(lbp.ravel(), bins=256, range=(0, 256))
+        return hist
     
     except Exception as e:
-        print(f"خطا در استخراج ویژگی: {e}")
-        return None
+        print(f"خطا در استخراج LBP: {e}")
+        return np.zeros(256)
 
-# تابع مقایسه ویژگی‌ها
-def compare_features(features1, features2):
-    """مقایسه دو بردار ویژگی"""
+# تابع مقایسه پیشرفته
+def compare_faces_advanced(features1, features2, threshold):
+    """مقایسه پیشرفته دو بردار ویژگی"""
     if features1 is None or features2 is None:
-        return None, None
+        return None, None, "❌ خطا در استخراج ویژگی‌ها"
     
-    # محاسبه فاصله اقلیدسی
-    distance = np.linalg.norm(features1 - features2)
+    try:
+        # محاسبه فاصله اقلیدسی
+        distance = np.linalg.norm(features1 - features2)
+        
+        # محاسبه شباهت کسینوسی
+        cos_similarity = np.dot(features1, features2) / (np.linalg.norm(features1) * np.linalg.norm(features2) + 1e-10)
+        
+        # محاسبه شباهت کلی
+        similarity = 1.0 / (1.0 + distance)
+        
+        # تصمیم‌گیری
+        is_match = distance <= threshold
+        
+        return distance, similarity, is_match
     
-    # محاسبه شباهت
-    similarity = 1.0 / (1.0 + distance)
+    except Exception as e:
+        print(f"خطا در مقایسه: {e}")
+        return None, None, None
+
+# تابع رسم نقاط کلیدی
+def draw_landmarks_on_image(image_array, landmarks, face_rect):
+    """رسم نقاط کلیدی و مستطیل چهره"""
+    img_copy = image_array.copy()
+    
+    # رسم مستطیل دور چهره
+    if face_rect is not None:
+        if hasattr(face_rect, 'left'):  # dlib rectangle
+            cv2.rectangle(img_copy, (face_rect.left(), face_rect.top()), 
+                        (face_rect.right(), face_rect.bottom()), (0, 255, 0), 3)
+        else:  # OpenCV rectangle
+            x, y, w, h = face_rect
+            cv2.rectangle(img_copy, (x, y), (x+w, y+h), (0, 255, 0), 3)
+    
+    # رسم نقاط کلیدی
+    if landmarks is not None:
+        for i, (x, y) in enumerate(landmarks):
+            # رنگ‌های مختلف برای نقاط مختلف صورت
+            if i < 17:  # خط فک
+                color = (255, 0, 0)
+            elif i < 22:  # ابروی راست
+                color = (0, 255, 0)
+            elif i < 27:  # ابروی چپ
+                color = (0, 0, 255)
+            elif i < 36:  # بینی
+                color = (255, 255, 0)
+            elif i < 48:  # چشم‌ها
+                color = (255, 0, 255)
+            else:  # دهان
+                color = (0, 255, 255)
+            
+            cv2.circle(img_copy, (int(x), int(y)), 3, color, -1)
     
-    return distance, similarity
+    return img_copy
 
 # تابع اصلی پردازش
 def process_faces(image1, image2, precision_level):
     """پردازش و مقایسه دو تصویر چهره"""
     
-    # دیباگ: چاپ مقدار دریافتی
-    print(f"🔍 precision_level دریافت شده: {precision_level} (نوع: {type(precision_level)})")
+    print(f"🔍 شروع پردازش با دقت: {precision_level}")
     
     # تبدیل تصاویر به آرایه
     if isinstance(image1, str):
@@ -138,109 +244,126 @@ def process_faces(image1, image2, precision_level):
     else:
         image2_array = np.array(image2)
     
-    # تنظیم آستانه بر اساس انتخاب کاربر - **تصحیح شده**
+    # تنظیم آستانه
     thresholds = {
-        'high': 25.0,      # دقت بالا
-        'medium': 30.0,    # دقت متوسط
-        'low': 35.0        # دقت پایین
+        'high': 0.4,      # دقت بالا
+        'medium': 0.5,    # دقت متوسط
+        'low': 0.6        # دقت پایین
     }
     
-    threshold = thresholds.get(precision_level, 30.0)  # مقدار پیش‌فرض
+    threshold = thresholds.get(precision_level, 0.5)
     print(f"🔧 آستانه انتخاب شده: {threshold}")
     
-    # تشخیص چهره در تصویر اول
-    faces1 = detect_faces_opencv(image1_array)
-    if len(faces1) == 0:
-        return "❌ خطا: هیچ چهره‌ای در تصویر اول یافت نشد!", None, None
-    
-    # تشخیص چهره در تصویر دوم
-    faces2 = detect_faces_opencv(image2_array)
-    if len(faces2) == 0:
-        return "❌ خطا: هیچ چهره‌ای در تصویر دوم یافت نشد!", None, None
-    
-    # استخراج ویژگی‌ها
-    features1 = extract_face_features(image1_array, faces1)
-    features2 = extract_face_features(image2_array, faces2)
+    # پردازش تصویر اول
+    print("📸 پردازش تصویر اول...")
+    if MODELS_LOADED:
+        face1, landmarks1, features1 = detect_face_landmarks_dlib(image1_array)
+        if face1 is None:
+            features1 = None
+    else:
+        face1, features1 = detect_face_features_opencv(image1_array)
+        landmarks1 = None
+    
+    # پردازش تصویر دوم
+    print("📸 پردازش تصویر دوم...")
+    if MODELS_LOADED:
+        face2, landmarks2, features2 = detect_face_landmarks_dlib(image2_array)
+        if face2 is None:
+            features2 = None
+    else:
+        face2, features2 = detect_face_features_opencv(image2_array)
+        landmarks2 = None
     
+    # بررسی خطاها
     if features1 is None:
-        return "❌ خطا: استخراج ویژگی‌های چهره اول ناموفق!", None, None
+        return "❌ خطا: تشخیص چهره در تصویر اول ناموفق بو��!", None, None
     
     if features2 is None:
-        return "❌ خطا: استخراج ویژگی‌های چهره دوم ناموفق!", None, None
+        return "❌ خطا: تشخیص چهره در تصویر دوم ناموفق بود!", None, None
     
-    # مقایسه ویژگی‌ها
-    distance, similarity = compare_features(features1, features2)
+    # مقایسه چهره‌ها
+    print("🔄 در حال مقایسه چهره‌ها...")
+    distance, similarity, is_match = compare_faces_advanced(features1, features2, threshold)
     
-    if distance is None or similarity is None:
+    if distance is None:
         return "❌ خطا در مقایسه ویژگی‌ها!", None, None
     
-    # تصمیم‌گیری
-    is_match = distance <= threshold
-    
-    # ایجاد تصاویر با مستطیل دور چهره - **تصحیح شده**
-    img1_with_faces = image1_array.copy()
-    img2_with_faces = image2_array.copy()
-    
-    for (x, y, w, h) in faces1:
-        cv2.rectangle(img1_with_faces, (x, y), (x+w, y+h), (0, 255, 0), 3)
-    
-    for (x, y, w, h) in faces2:
-        cv2.rectangle(img2_with_faces, (x, y), (x+w, y+h), (0, 255, 0), 3)
+    # ایجاد تصاویر با نشانگر
+    img1_processed = draw_landmarks_on_image(image1_array, landmarks1, face1)
+    img2_processed = draw_landmarks_on_image(image2_array, landmarks2, face2)
     
-    # تبدیل RGB برای نمایش در Gradio
-    img1_with_faces = cv2.cvtColor(img1_with_faces, cv2.COLOR_BGR2RGB)
-    img2_with_faces = cv2.cvtColor(img2_with_faces, cv2.COLOR_BGR2RGB)
+    # تبدیل به RGB
+    img1_processed = cv2.cvtColor(img1_processed, cv2.COLOR_BGR2RGB)
+    img2_processed = cv2.cvtColor(img2_processed, cv2.COLOR_BGR2RGB)
     
-    # ایجاد گزارش نتایج
+    # ایجاد گزارش
     result_text = f"""
 🎯 **نتایج تشخیص هویت چهره**
 
 📊 **آمار فنی:**
-- فاصله بردار ویژگی: `{distance:.2f}`
-- میزان شباهت: `{similarity:.4f}`  
+- فاصله بردار ویژگی: `{distance:.4f}`
+- میزان شباهت: `{similarity:.4f}`
 - آستانه انتخابی: `{threshold:.2f}`
 
 🎭 **نتیجه‌گیری:**
 """
     
     if is_match:
-        if distance < 20:
-            confidence = "🔒 تطبیق با اطمینان بسیار بالا"
-        elif distance < 25:
-            confidence = "✅ تطبیق با اطمینان بالا"
+        if distance < 0.3:
+            confidence = "🔒 **تطبیق با اطمینان بسیار بالا**"
+        elif distance < 0.4:
+            confidence = "✅ **تطبیق با اطمینان بالا**"
         else:
-            confidence = "✓ تطبیق با اطمینان متوسط"
+            confidence = "✓ **تطبیق با اطمینان متوسط**"
         
         result_text += f"""
 {confidence}
+
 🟢 **این دو تصویر متعلق به یک شخص هستند**
 
-تحلیل: فاصله محاسبه‌شده ({distance:.2f}) کمتر از آستانه ({threshold:.2f}) است.
+_تحلیل سیستم:_
+- فاصله محاسبه‌شده ({distance:.4f}) کمتر از آستانه ({threshold:.2f}) است
+- ساختار صورت و ویژگی‌های کلیدی بسیار مشابه هستند
+- احتمال اینکه این دو تصویر از یک شخص باشند: **{(1-distance)*100:.1f}%**
 """
     else:
-        if distance > 40:
-            confidence = "🔒 عدم تطبیق با اطمینان بسیار بالا"
+        if distance > 0.7:
+            confidence = "🔒 **عدم تطبیق با اطمینان بسیار بالا**"
         else:
-            confidence = "❌ عدم تطبیق با اطمینان متوسط"
+            confidence = "❌ **عدم تطبیق با اطمینان متوسط**"
         
         result_text += f"""
 {confidence}
+
 🔴 **این دو تصویر متعلق به اشخاص مختلف هستند**
 
-تحلیل: فاصله محاسبه‌شده ({distance:.2f}) بیشتر از آستانه ({threshold:.2f}) است.
+_تحلیل سیستم:_
+- فاصله محاسبه‌شده ({distance:.4f}) بیشتر از آستانه ({threshold:.2f}) است
+- ساختار صورت و ویژگی‌های کلیدی تفاوت قابل توجهی دارند
+- شباهت: **{(1-distance)*100:.1f}%**
+"""
+    
+    result_text += f"""
+
+📈 **جزئیات فنی:**
 """
     
+    if MODELS_LOADED:
+        result_text += "- ✅ استفاده از مدل dlib با ۶۸ نقطه کلیدی\n"
+    else:
+        result_text += "- ⚠️ استفاده از روش OpenCV (دقت کمتر)\n"
+    
     result_text += f"""
+- تعداد ویژگی‌های استخراج‌شده: {len(features1)}
+- روش تشخیص: نقاط کلیدی صورت + ساختار هندسی
+- دامنه فاصله: ۰ (کاملاً مشابه) تا ۱ (کاملاً متفاوت)
 
-📈 **راهنمای تفسیر نتایج:**
-- فاصله ۰-۲۰: شباهت بسیار زیاد
-- فاصله ۲۰-۲۵: شباهت زیاد  
-- فاصله ۲۵-۳۰: شباهت متوسط
-- فاصله ۳۰-۴۰: تفاوت متوسط
-- فاصله +۴۰: تفاوت زیاد
+🛠️ **توضیح فنی:**
+سیستم از نقاط کلیدی صورت (چشم‌ها، بینی، دهان، فک) استفاده می‌کند
+و ساختار هندسی صورت را با دقت بالا مقایسه می‌کند.
 """
     
-    return result_text, img1_with_faces, img2_with_faces
+    return result_text, img1_processed, img2_processed
 
 # ایجاد رابط Gradio
 with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
@@ -249,7 +372,7 @@ with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
     gr.HTML(f"""
     <div style="text-align: center; padding: 20px; background: linear-gradient(135deg, #667eea 0%, #764ba2 100%); color: white; border-radius: 10px;">
         <h1 style="font-size: 32px; margin-bottom: 10px;">{TITLE}</h1>
-        <p style="font-size: 16px; margin: 0;">سامانه هوشمند تشخیص هویت از طریق تصویر چهره</p>
+        <p style="font-size: 16px; margin: 0;">سامانه هوشمند تشخیص هویت با تحلیل نقاط کلیدی صورت</p>
     </div>
     """)
     
@@ -267,14 +390,14 @@ with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
             image2_input = gr.Image(label="📸 تصویر چهره دوم", type="pil", height=250)
             gr.HTML("<p style='text-align: center; color: gray; font-size: 12px;'>تصویر دوم را انتخاب یا آپلود کنید</p>")
     
-    # بخش تنظیمات - **تصحیح شده**
+    # بخش تنظیمات
     with gr.Row():
         with gr.Column():
             precision_input = gr.Radio(
                 choices=[
-                    ("high", "🟢 دقت بالا (آستانه ۲۵)"),
-                    ("medium", "🟡 دقت متوسط (آستانه ۳۰)"),  
-                    ("low", "🔴 دقت پایین (آستانه ۳۵)")
+                    ("high", "🟢 دقت بالا (آستانه ۰.۴)"),
+                    ("medium", "🟡 دقت متوسط (آستانه ۰.۵)"),  
+                    ("low", "🔴 دقت پایین (آستانه ۰.۶)")
                 ],
                 label="🎯 سطح دقت تشخیص",
                 value='medium',
@@ -283,28 +406,44 @@ with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
     
     # دکمه پردازش
     with gr.Row():
-        submit_btn = gr.Button("🚀 شروع تشخیص هویت", variant="primary", size="lg")
+        submit_btn = gr.Button("🚀 شروع تشخیص پیشرفته", variant="primary", size="lg")
     
     # بخش خروجی
     with gr.Row():
-        with gr.Column():
+        with gr.Column(scale=2):
             output_text = gr.Markdown(label="📊 نتایج تشخیص")
             
     with gr.Row():
         with gr.Column():
-            output_image1 = gr.Image(label="تصویر اول - تشخیص چهره", type="numpy", height=200)
+            output_image1 = gr.Image(label="تصویر اول - نقاط کلیدی", type="numpy", height=250)
         with gr.Column():
-            output_image2 = gr.Image(label="تصویر دوم - تشخیص چهره", type="numpy", height=200)
+            output_image2 = gr.Image(label="تصویر دوم - نقاط کلیدی", type="numpy", height=250)
     
-    # اطلاعات بیشتر
+    # راهنمای رنگ‌ها
     gr.HTML("""
     <div style="background: #f8f9fa; padding: 15px; border-radius: 8px; border-left: 4px solid #667eea;">
-        <h4 style="margin-top: 0;">💡 نکات مهم:</h4>
+        <h4 style="margin-top: 0;">🎨 راهنمای رنگ نقاط کلیدی:</h4>
         <ul style="margin-bottom: 0;">
-            <li>از تصاویر با کیفیت حداقل ۱۰۰x۱۰۰ پیکسل استفاده کنید</li>
-            <li>چهره باید کامل در تصویر باشد و نور مناسبی داشته باشد</li>
-            <li>سیستم با زوایای مختلف (تا ۴۵ درجه) کار می‌کند</li>
-            <li>برای دقت بیشتر از تصاویر روبرو استفاده کنید</li>
+            <li>🔵 آبی: خط فک و چانه</li>
+            <li>🟢 سبز: ابروی راست</li>
+            <li>🔴 قرمز: ابروی چپ</li>
+            <li>🟡 زرد: بینی</li>
+            <li>🟣 بنفش: چشم‌ها</li>
+            <li>🟡 زرد-سبز: دهان و لب‌ها</li>
+            <li>🟢 مستطیل سبز: محدوده کل چهره</li>
+        </ul>
+    </div>
+    """)
+    
+    # نکات مهم
+    gr.HTML("""
+    <div style="background: #fff3cd; padding: 15px; border-radius: 8px; border-left: 4px solid #ffc107;">
+        <h4 style="margin-top: 0; color: #856404;">⚠️ نکات مهم:</h4>
+        <ul style="margin-bottom: 0; color: #856404;">
+            <li>برای بهترین نتیجه، از تصاویر با کیفیت بالا و نور مناسب استفا��ه کنید</li>
+            <li>چهره باید کامل در تصویر باشد و حداقل ۲۰۰x۲۰۰ پیکسل باشد</li>
+            <li>این سیستم از ۶۸ نقطه کلیدی صورت برای تشخیص استفاده می‌کند</li>
+            <li>در صورت عدم تشخیص، تصویر را کمی بزرگ‌تر کنید</li>
         </ul>
     </div>
     """)
@@ -315,8 +454,6 @@ with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
         inputs=[image1_input, image2_input, precision_input],
         outputs=[output_text, output_image1, output_image2]
     )
-    
-    # **حذف بخش Examples به دلیل ایجاد خطا**
 
 # اجرای برنامه
 if __name__ == "__main__":