df

app.py

@@ -1,65 +1,37 @@
-from fastapi import FastAPI, File, UploadFile, HTTPException
-from fastapi.responses import JSONResponse
+import requests
 from PIL import Image
-import numpy as np
-from transformers import SamModel, SamProcessor
-import io
 import base64
-import torch
-import uvicorn
+from io import BytesIO
 
-app = FastAPI(title="SAM-ViT-Base API")
+url = "https://<your-space-url>.hf.space/segment"
+file_path = "input.jpg"  # En az 64x64 piksel, ideal 512x512 bir görüntü kullan
 
-# SAM modelini ve işlemciyi yükle
-model = SamModel.from_pretrained("facebook/sam-vit-base")
-processor = SamProcessor.from_pretrained("facebook/sam-vit-base")
+try:
+    # Görüntü dosyasını kontrol et
+    img = Image.open(file_path)
+    if img.size[0] < 64 or img.size[1] < 64:
+        raise ValueError(f"Görüntü boyutu çok küçük: {img.size[0]}x{img.size[1]}. Minimum 64x64 piksel olmalı.")
+    print(f"Görüntü boyutu: {img.size[0]}x{img.size[1]}")
 
-@app.post("/segment/")
-async def segment_image(file: UploadFile = File(...)):
-    try:
-        # Görüntüyü oku
-        image_data = await file.read()
-        image = Image.open(io.BytesIO(image_data)).convert("RGB")
-        
-        # Görüntü boyutlarını al
-        original_width, original_height = image.size
-        if original_width < 64 or original_height < 64:
-            raise HTTPException(status_code=400, detail="Görüntü boyutu çok küçük. Minimum 64x64 piksel olmalı.")
-        
-        # Görüntüyü işlemciye hazırla
-        inputs = processor(image, return_tensors="pt")
-        
-        # Model ile segmentasyon yap
-        with torch.no_grad():
-            outputs = model(**inputs)
-        
-        # Maskeyi al
-        masks = outputs.pred_masks.detach().cpu().numpy()  # Shape: (batch_size, num_masks, height, width)
-        if masks.shape[1] == 0:
-            raise HTTPException(status_code=500, detail="Hiç maske üretilmedi.")
-        
-        # İlk maskeyi al
-        mask = masks[0][0]  # Shape: (height, width)
-        
-        # Maskeyi binary hale getir
-        mask = (mask > 0).astype(np.uint8) * 255
-        
-        # Maskeyi orijinal görüntü boyutlarına yeniden boyutlandır
-        mask_image = Image.fromarray(mask).resize((original_width, original_height), Image.NEAREST)
-        
-        # Maskeyi PNG olarak kaydet
-        buffered = io.BytesIO()
-        mask_image.save(buffered, format="PNG")
-        mask_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")
-        
-        return JSONResponse(content={"mask": f"data:image/png;base64,{mask_base64}"})
-    
-    except Exception as e:
-        raise HTTPException(status_code=500, detail=str(e))
+    with open(file_path, "rb") as file:
+        files = {"file": file}
+        response = requests.post(url, files=files)
 
-@app.get("/")
-async def root():
-    return {"message": "SAM-ViT-Base API çalışıyor. /segment endpoint'ine görüntü yükleyin."}
+    if response.status_code == 200:
+        result = response.json()
+        print("Başarılı! Maske alındı.")
+        # Base64'ü PNG olarak kaydet
+        base64_string = result["mask"].split(",")[1]  # "data:image/png;base64," kısmını atla
+        img_data = base64.b64decode(base64_string)
+        img = Image.open(BytesIO(img_data))
+        img.save("output_mask.png")
+        print("Maske 'output_mask.png' olarak kaydedildi.")
+    else:
+        print(f"Hata: {response.status_code}, {response.text}")
 
-if __name__ == "__main__":
-    uvicorn.run(app, host="0.0.0.0", port=7860)
+except FileNotFoundError:
+    print(f"Hata: {file_path} dosyası bulunamadı.")
+except ValueError as ve:
+    print(f"Hata: {str(ve)}")
+except Exception as e:
+    print(f"Hata: {str(e)}")