Update Main.py

Main.py

@@ -81,7 +81,7 @@ if st.button("🔍 Распознать текст", use_container_width=True, t
     else:
         with st.spinner("Распознавание текста... (5–20 сек на CPU)"):
             
-            # Правильный формат разговора (без передачи images здесь)
+            # Шаблон разговора
             conversation = [
                 {
                     "role": "user",
@@ -92,7 +92,7 @@ if st.button("🔍 Распознать текст", use_container_width=True, t
                 }
             ]
 
-            # Применяем шаблон чата
+            # Применяем шаблон чата (без изображения)
             inputs = processor.apply_chat_template(
                 conversation,
                 add_generation_prompt=True,
@@ -101,13 +101,23 @@ if st.button("🔍 Распознать текст", use_container_width=True, t
                 return_tensors="pt"
             )
 
-            # Важно: добавляем pixel_values отдельно
-            pixel_values = processor.image_processor(img, return_tensors="pt").pixel_values
-            inputs["pixel_values"] = pixel_values.to(device=device, dtype=dtype)
+            # Обработка изображения
+            image_inputs = processor.image_processor(img, return_tensors="pt")
+            pixel_values = image_inputs.pixel_values.to(device=device, dtype=dtype)
+            
+            # Получаем размеры изображения (важно для этой модели!)
+            height, width = img.height, img.width
+            image_sizes = torch.tensor([[height, width]], dtype=torch.long).to(device)
+
+            # Добавляем в inputs
+            inputs["pixel_values"] = pixel_values
+            inputs["image_sizes"] = image_sizes
 
             # Переносим остальные тензоры
-            for k, v in inputs.items():
-                if isinstance(v, torch.Tensor) and k != "pixel_values":
+
+
+for k, v in list(inputs.items()):
+                if isinstance(v, torch.Tensor) and k not in ["pixel_values", "image_sizes"]:
                     inputs[k] = v.to(device=device)
 
             # Генерация