app.py

import gradio as gr
import uuid
from PIL import Image
import torch
from torchvision import transforms
from transformers import AutoModelForImageSegmentation
import os

# بارگذاری مدل
def load_model(device_type):
    device = torch.device(device_type)
    model = AutoModelForImageSegmentation.from_pretrained('briaai/RMBG-2.0', trust_remote_code=True)
    model.to(device)
    model.eval()
    return model, device

# پیش پردازش تصویر
transform_image = transforms.Compose([
    transforms.Resize((1024, 1024)),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

def remove_background(uploaded_image, device_type="cpu"):
    try:
        # بارگذاری مدل بر اساس انتخاب دستگاه
        model, device = load_model(device_type)

        image = Image.open(uploaded_image)

        # پیش‌پردازش تصویر
        input_image = transform_image(image).unsqueeze(0).to(device)

        # پردازش تصویر با مدل
        with torch.no_grad():
            preds = model(input_image)[-1].sigmoid().cpu()

        pred = preds[0].squeeze()
        mask = transforms.ToPILImage()(pred).resize(image.size)
        image.putalpha(mask)

        # ایجاد پوشه "media" در صورت عدم وجود
        media_dir = "../media"
        if not os.path.exists(media_dir):
            os.makedirs(media_dir)

        # ذخیره تصویر پردازش‌شده
        random_filename = str(uuid.uuid4()) + ".png"
        processed_image_path = os.path.join(media_dir, f"processed_{random_filename}")
        image.save(processed_image_path, format="PNG")

        # بارگذاری تصویر پردازش‌شده و ارسال به عنوان خروجی
        processed_image = Image.open(processed_image_path)

        # برگرداندن تصویر پردازش‌شده به عنوان خروجی Gradio
        return processed_image
    except Exception as e:
        return f"خطا در پردازش تصویر: {str(e)}"

# ایجاد رابط کاربری Gradio
gradio_app = gr.Interface(
    fn=remove_background,  # تابع پردازش تصویر
    inputs=[
        gr.Image(type="filepath"),  # ورودی تصویر به صورت مسیر فایل
        gr.Dropdown(choices=["cpu", "cuda"], label="Select Device", value="cpu")  # انتخاب CPU یا GPU
    ],
    outputs=gr.Image(type="pil")  # خروجی تصویر به صورت PIL
)
if __name__ == "__main__":
# اجرای Gradio
    gradio_app.launch()