app.py

import gradio as gr
from transformers import AutoProcessor, AutoModelForVision2Seq
from PIL import Image
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load model + processor
model_id = "prithivMLmods/Doc-VLMs-v2-Localization"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForVision2Seq.from_pretrained(model_id).to(device)

# Giao diện
def predict(image, text_input, system_prompt="Trích thông tin, không cần diễn giải"):
    image = image.convert("RGB")
    inputs = processor(images=image, text=text_input, return_tensors="pt").to(device)
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=512,
        do_sample=False,
        eos_token_id=processor.tokenizer.eos_token_id,
        pad_token_id=processor.tokenizer.pad_token_id
    )
    result = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
    return result

# Gradio app
demo = gr.Interface(
    fn=predict,
    inputs=[
        gr.Image(type="pil", label="Upload ảnh tài liệu"),
        gr.Textbox(label="Câu hỏi muốn hỏi mô hình"),
        gr.Textbox(label="System prompt (tuỳ chọn)", value="Trích thông tin, không cần diễn giải")
    ],
    outputs="text",
    title="Doc-VLMs v2 - Vision Document QA"
)

if __name__ == "__main__":
    demo.launch()