import gradio as gr
from PIL import Image
import numpy as np
import random
import json

class UltraLightGeoDemo:
    def __init__(self):
        self.dataset_info = "S2-NAIP Mini Demo - Hafif örnek veri ile"
    
    def predict_coordinates(self, image):
        """Demo tahmin - model yüklemeden"""
        try:
            # Rastgele koordinatlar (demo amaçlı)
            lat = round(random.uniform(36.0, 42.0), 4)  # Türkiye civarı
            lon = round(random.uniform(26.0, 45.0), 4)
            
            confidence = round(random.uniform(0.4, 0.95), 2)
            
            result = {
                'latitude': lat,
                'longitude': lon,
                'confidence': confidence,
                'note': 'DEMO TAHMİN — Gerçek model eğitilmedi',
                'next_step': 'Gerçek mini model eğitimi için Kaggle örneğini kullanın.'
            }
            return result
        except Exception as e:
            return {'error': str(e)}


# Gradio arayüzü
def create_demo_interface():
    demo = UltraLightGeoDemo()
    
    with gr.Blocks(title="🌍 Jeo-Referanslama Mini Demo", theme=gr.themes.Soft()) as interface:
        gr.Markdown("""
        # 🌍 Jeo-Referanslama **Mini DEMO**
        **Ultra Hafif Sürüm - Gerçek model olmadan çalışır**
        
        🔹 Bu versiyon sadece az sayıda veri örneğiyle (mini dataset) test yapılmasını önerir.  
        🔹 Gerçek eğitim için aşağıdaki Kaggle bağlantısını kullanabilirsiniz.
        """)
        
        with gr.Row():
            with gr.Column():
                image_input = gr.Image(
                    type="filepath",
                    label="Uydu Görüntüsü Yükle",
                    height=300
                )
                predict_btn = gr.Button("📍 Demo Tahmin Yap", variant="primary")
            
            with gr.Column():
                output_json = gr.JSON(label="Tahmin Sonuçları")
        
        # Kaggle bağlantısı
        gr.Markdown("""
        ---
        ## 🚀 Gerçek (mini) Model İçin Kaggle'a Git:
        **[👉 KAGGLE'DA MİNİ SİSTEMİ ÇALIŞTIR](https://kaggle.com)**
        
        **Kaggle'da yapman gerekenler:**
        1. Bağlantıya tıkla → "Notebooks" → "New Notebook"
        2. "Settings" sekmesinde **GPU (T4)** seç
        3. Aşağıdaki hafif veri yükleme kodunu çalıştır
        """)
        
        # Kaggle için mini dataset kodu
        with gr.Accordion("📋 Kaggle Mini Eğitim Kodu", open=False):
            gr.Markdown("""
            ```python
            # HAFİF EĞİTİM KODU - 500 örnekle mini test
            !pip install torch torchvision transformers datasets tqdm --quiet

            import torch
            from transformers import AutoModel
            from datasets import load_dataset

            print("🛰️ S2-NAIP mini örnek yükleniyor...")
            dataset = load_dataset("allenai/s2-naip", split="train[:500]")  # sadece 500 örnek
            print(f"Yüklendi: {len(dataset)} örnek")

            device = "cuda" if torch.cuda.is_available() else "cpu"
            model = AutoModel.from_pretrained("facebook/dinov2-small").to(device)

            print("✅ Mini eğitim/deneme için hazır!")
            ```
            """)
        
        predict_btn.click(
            fn=demo.predict_coordinates,
            inputs=image_input,
            outputs=output_json
        )
    
    return interface


if __name__ == "__main__":
    demo = create_demo_interface()
    demo.launch(server_name="0.0.0.0", server_port=7860)