df

app.py

@@ -1,37 +1,69 @@
-import requests
+from fastapi import FastAPI, File, UploadFile, HTTPException
+from fastapi.responses import JSONResponse
 from PIL import Image
+import numpy as np
+from transformers import SamModel, SamProcessor
+import io
 import base64
-from io import BytesIO
+import torch
+import uvicorn
 
-url = "https://<your-space-url>.hf.space/segment"
-file_path = "input.jpg"  # En az 64x64 piksel, ideal 512x512 bir görüntü kullan
+app = FastAPI(title="SAM-ViT-Base API")
 
-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]}")
+# SAM modelini ve işlemciyi yükle
+model = SamModel.from_pretrained("facebook/sam-vit-base")
+processor = SamProcessor.from_pretrained("facebook/sam-vit-base")
 
-    with open(file_path, "rb") as file:
-        files = {"file": file}
-        response = requests.post(url, files=files)
+@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=f"Görüntü boyutu çok küçük: {original_width}x{original_height}. Minimum 64x64 piksel olmalı.")
+        
+        # Görüntüyü işlemciye hazırla (ölçeklendirme için max_length belirt)
+        inputs = processor(image, return_tensors="pt", do_rescale=True, do_resize=True, max_length=768)
+        
+        # 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)
+        
+        # Maske şeklini kontrol et
+        if len(mask.shape) != 2:
+            raise HTTPException(status_code=500, detail=f"Hatalı maske şekli: {mask.shape}. 2D matris bekleniyor.")
+        
+        # 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))
 
-    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}")
+@app.get("/")
+async def root():
+    return {"message": "SAM-ViT-Base API çalışıyor. /segment endpoint'ine görüntü yükleyin."}
 
-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)}")
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=7860)