Update app.py

app.py

@@ -14,13 +14,13 @@ DESCRIPTION = """
 
 ✨ امکانات:
 - تشخیص چهره‌های یکسان از زوایای مختلف
-- مقاوم در برابر تغییرات نور و آرایش
+- مقاوم در برابر تغییرات نور و آرایش  
 - دقت بالا در شرایط مختلف
 - نمایش نتایج کامل و تحلیلی
 
 📌 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
 """
@@ -29,35 +29,12 @@ DESCRIPTION = """
 ARTICLE = """
 ### 🔬 نحوه عملکرد سیستم
 
-این سیستم از الگوریتم‌های پیشرفته یادگیری عمیق استفاده می‌کند:
+این سیستم از الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌کند:
 
 1. **تشخیص چهره**: پیدا کردن موقعیت چهره در تصویر
-2. **استخراج ویژگی**: تبدیل چهره به بردار عددی ۱۲۸ بعدی
+2. **استخراج ویژگی**: تبدیل چهره به بردار عددی
 3. **مقایسه**: محاسبه فاصله بین بردارهای ویژگی
 4. **تصمیم‌گیری**: مقایسه فاصله با آستانه انتخابی
-
-### 🎯 تنظیمات دقت
-
-- **دقت بالا** (آستانه ۰.۴): فقط چهره‌های کاملاً مشابه را تشخیص می‌دهد
-- **دقت متوسط** (آستانه ۰.۶): بهترین تعادل بین دقت و انعطاف
-- **دقت پایین** (آستانه ۰.۸): چهره‌های با تفاوت‌های بیشتر را هم تشخیص می‌دهد
-
-### 📊 جدول راهنمای نتایج
-
-| فاصله | نتیجه | اطمینان |
-|-------|-------|---------|
-| ۰.۰۰ - ۰.۴۰ | یکسان ✓ | بسیار بالا |
-| ۰.۴۰ - ۰.۵۵ | یکسان ✓ | بالا |
-| ۰.۵۵ - ۰.۶۵ | یکسان ✓ | متوسط |
-| ۰.۶۵ - ۰.۸۰ | متفاوت ✗ | متوسط |
-| ۰.۸۰ به بالا | متفاوت ✗ | بالا |
-
-### ⚠️ نکات مهم
-
-- تصاویر باید حداقل ۱۰۰x100 پیکسل باشند
-- چهره باید کامل در تصویر باشد
-- بهترین نتیجه برای تصاویر روبرو
-- در صورت عدم تشخیص، تصویر را دوباره آپلود کنید
 """
 
 # تابع تشخیص چهره با OpenCV
@@ -109,7 +86,7 @@ def extract_face_features(image_array, faces):
         # نرمال‌سازی
         face_normalized = face_resized / 255.0
         
-        # استخراج ویژگی‌های ساده (می‌توانید جایگزین کنید)
+        # 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)),
@@ -118,9 +95,9 @@ def extract_face_features(image_array, faces):
         
         # ترکیب ویژگی‌ها
         feature_vector = np.concatenate([
-            features['histogram'][:64],  # اول ۶۴ مقدار هیستوگرام
-            features['mean_color'] * 10, # میانگین رنگ‌ها (مقیاس شده)
-            features['std_color'] * 10,   # انحراف معیار رنگ‌ها (مقیاس شده)
+            features['histogram'][:64],
+            features['mean_color'] * 10,
+            features['std_color'] * 10,
         ])
         
         return feature_vector
@@ -147,6 +124,9 @@ def compare_features(features1, features2):
 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)})")
+    
     # تبدیل تصاویر به آرایه
     if isinstance(image1, str):
         image1_array = np.array(Image.open(image1))
@@ -158,53 +138,58 @@ def process_faces(image1, image2, precision_level):
     else:
         image2_array = np.array(image2)
     
-    # تنظیم آستانه بر اساس انتخاب کاربر
+    # تنظیم آستانه بر اساس انتخاب کاربر - **تصحیح شده**
     thresholds = {
         'high': 25.0,      # دقت بالا
         'medium': 30.0,    # دقت متوسط
         'low': 35.0        # دقت پایین
     }
-    threshold = thresholds[precision_level]
+    
+    threshold = thresholds.get(precision_level, 30.0)  # مقدار پیش‌فرض
+    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!", images_with_faces
+        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!", images_with_faces
+        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)
     
     if features1 is None:
-        return "❌ خطا: استخراج ویژگی‌های چهره اول ناموفق!", images_with_faces
+        return "❌ خطا: استخراج ویژگی‌های چهره اول ناموفق!", None, None
     
     if features2 is None:
-        return "❌ خطا: استخراج ویژگی‌های چهره دوم ناموفق!", images_with_faces
+        return "❌ خطا: استخراج ویژگی‌های چهره دوم ناموفق!", None, None
     
     # مقایسه ویژگی‌ها
     distance, similarity = compare_features(features1, features2)
     
     if distance is None or similarity is None:
-        return "❌ خطا در مقایسه ویژگی‌ها!", images_with_faces
+        return "❌ خطا در مقایسه ویژگی‌ها!", None, None
     
     # تصمیم‌گیری
     is_match = distance <= threshold
     
-    # ایجاد تصاویر با مستطیل دور چهره
-    images_with_faces = []
-    for img_array, faces, title in [(image1_array, faces1, "تصویر اول"), (image2_array, faces2, "تصویر دوم")]:
-        img_copy = img_array.copy()
-        for (x, y, w, h) in faces:
-            cv2.rectangle(img_copy, (x, y), (x+w, y+h), (0, 255, 0), 3)
-        
-        # تبدیل RGB برای نمایش در Gradio
-        img_copy = cv2.cvtColor(img_copy, cv2.COLOR_BGR2RGB)
-        images_with_faces.append(img_copy)
+    # 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)
+    
+    # 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)
     
     # ایجاد گزارش نتایج
     result_text = f"""
@@ -212,7 +197,7 @@ def process_faces(image1, image2, precision_level):
 
 📊 **آمار فنی:**
 - فاصله بردار ویژگی: `{distance:.2f}`
-- میزان شباهت: `{similarity:.4f}`
+- میزان شباهت: `{similarity:.4f}`  
 - آستانه انتخابی: `{threshold:.2f}`
 
 🎭 **نتیجه‌گیری:**
@@ -248,16 +233,14 @@ def process_faces(image1, image2, precision_level):
     result_text += f"""
 
 📈 **راهنمای تفسیر نتایج:**
-- فاصله ۰-۲۰: شباهت بسیار زیاد (احتمالاً یک شخص)
-- فاصله ۲۰-۲۵: شباهت زیاد (احتمالاً یک شخص)
-- فاصله ۲۵-۳۰: شباهت متوسط (احتمالاً یک شخص با تفاوت‌های جزئی)
-- فاصله ۳۰-۴۰: تفاوت متوسط (احتمالاً اشخاص مختلف)
-- فاصله +۴۰: تفاوت زیاد (احتمالاً اشخاص مختلف)
-
-⚠️ **توجه:** این نتایج بر اساس الگوریتم‌های یادگیری ماشین است و احتمال خطای بسیار کمی دارد.
+- 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
 """
     
-    return result_text, images_with_faces
+    return result_text, img1_with_faces, img2_with_faces
 
 # ایجاد رابط Gradio
 with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
@@ -284,14 +267,14 @@ 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
+    # بخش تنظیمات - **تصحیح شده**
     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 ۲۵)"),
+                    ("medium", "🟡 دقت متوسط (آستانه ۳۰)"),  
+                    ("low", "🔴 دقت پایین (آستانه ۳۵)")
                 ],
                 label="🎯 سطح دقت تشخیص",
                 value='medium',
@@ -333,17 +316,7 @@ with gr.Blocks(theme=gr.themes.Soft(), title=TITLE) as demo:
         outputs=[output_text, output_image1, output_image2]
     )
     
-    # مثال‌های آماده
-    gr.Examples(
-        examples=[
-            ["examples/face1.jpg", "examples/face2.jpg", "medium"],
-        ],
-        inputs=[image1_input, image2_input, precision_input],
-        outputs=[output_text],
-        fn=process_faces,
-        cache_examples=False,
-        label="🧪 تست با مثال‌های آماده"
-    )
+    # **حذف بخش Examples به دلیل ایجاد خطا**
 
 # اجرای برنامه
 if __name__ == "__main__":