Update app.py

app.py

@@ -1,104 +1,149 @@
+import spaces
+import gradio as gr
 import subprocess
-import sys
-
-def install(package):
-    subprocess.check_call([sys.executable, "-m", "pip", "install", package])
+from googletrans import Translator
 
-# Gerekli kütüphaneleri yükle
-required_packages = [
-    "torch",
-    "gradio",
-    "transformers",
-    "pillow",
-    "decord",
-    "flash-attn",
-    "git+https://github.com/LLaVA-VL/LLaVA-NeXT.git"
-]
+# Gerekli kütüphanelerin kurulumu
+subprocess.run(
+    "pip install flash-attn --no-build-isolation",
+    env={"FLASH_ATTENTION_SKIP_CUDA_BUILD": "TRUE"},
+    shell=True,
+)
+subprocess.run("pip install googletrans==3.1.0a0", shell=True)
 
-print("Gerekli kütüphaneler yükleniyor...")
-for package in required_packages:
-    try:
-        install(package)
-    except Exception as e:
-        print(f"{package} yüklenirken hata oluştu: {e}")
-
-# Kütüphaneleri içe aktar
-import gradio as gr
 import torch
 from llava.model.builder import load_pretrained_model
 from llava.mm_utils import get_model_name_from_path, process_images, tokenizer_image_token
-from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN
-from llava.conversation import conv_templates
+from llava.constants import IMAGE_TOKEN_INDEX, DEFAULT_IMAGE_TOKEN, DEFAULT_IM_START_TOKEN, DEFAULT_IM_END_TOKEN, IGNORE_INDEX
+from llava.conversation import conv_templates, SeparatorStyle
 import copy
+import warnings
 from decord import VideoReader, cpu
 import numpy as np
 
-title = "# 📸 Instagram Reels Analiz Aracı"
-description = """Bu araç, yüklenen Instagram Reels videolarını analiz eder ve içeriği özetler. 
-Video hakkında genel bir açıklama yapar ve klipte neler olup bittiğini adım adım anlatır."""
+# Çevirmen nesnesi oluştur
+translator = Translator()
 
-def load_video(video_path, max_frames_num=64, fps=1):
-    vr = VideoReader(video_path, ctx=cpu(0))
+title = "# 🙋🏻‍♂️🌟Tonic'in 🌋📹LLaVA-Video'suna Hoş Geldiniz!"
+description1 = """**🌋📹LLaVA-Video-7B-Qwen2**, 🌋📹LLaVA-Video-178K veri seti ve LLaVA-OneVision veri seti üzerinde eğitilmiş 7B parametreli bir modeldir. [**Qwen2 dil modeline dayanmaktadır**](https://huggingface.co/collections/Qwen/qwen2-6659360b33528ced941e557f) ve 32K tokene kadar bağlam penceresini destekler. Model, görüntüleri, çoklu görüntüleri ve videoları işleyebilir ve bunlarla etkileşime girebilir, video analizi için özel optimizasyonlara sahiptir.
+Bu model, görsel girdi için **SO400M görüş omurgasını** ve dil işleme için Qwen2'yi kullanır, bu da onu görsel ve video tabanlı görevler de dahil olmak üzere çoklu modal akıl yürütmede oldukça verimli kılar.
+🌋📹LLaVA-Video'nun [32B](https://huggingface.co/lmms-lab/LLaVA-NeXT-Video-32B-Qwen) ve [72B](https://huggingface.co/lmms-lab/LLaVA-Video-72B-Qwen2) daha büyük varyantları ve [sadece yeni sentetik veriler üzerinde eğitilmiş bir varyantı](https://huggingface.co/lmms-lab/LLaVA-Video-7B-Qwen2-Video-Only) bulunmaktadır.
+Daha fazla detay için lütfen [Proje Sayfasını](https://github.com/LLaVA-VL/LLaVA-NeXT) ziyaret edin veya ilgili [araştırma makalesine](https://arxiv.org/abs/2410.02713) göz atın.
+- **Mimari**: `LlavaQwenForCausalLM`
+- **Dikkat Başlıkları**: 28
+- **Gizli Katmanlar**: 28
+- **Gizli Boyut**: 3584
+"""
+description2 = """
+- **Ara Boyut**: 18944
+- **Desteklenen Maksimum Kare Sayısı**: 64
+- **Desteklenen Diller**: İngilizce, Çince
+- **Görüntü En-Boy Oranı**: `anyres_max_9`
+- **Görüntü Çözünürlüğü**: Çeşitli ızgara çözünürlükleri
+- **Maksimum Konum Gömmeleri**: 32,768
+- **Kelime Dağarcığı Boyutu**: 152,064
+- **Model Hassasiyeti**: bfloat16
+- **Eğitim İçin Kullanılan Donanım**: 256 * Nvidia Tesla A100 GPU'ları
+"""
+
+join_us = """
+## Bize Katılın:
+🌟TeamTonic🌟 her zaman harika demolar yapıyor! Aktif geliştirici 🛠️topluluğumuza 👻 katılın [![Discord'da bize katılın](https://img.shields.io/discord/1109943800132010065?label=Discord&logo=discord&style=flat-square)](https://discord.gg/qdfnvSPcqP) 🤗Huggingface'de:[MultiTransformer](https://huggingface.co/MultiTransformer) 🌐Github'da: [Tonic-AI](https://github.com/tonic-ai) & 🌟 [Build Tonic](https://git.tonic-ai.com/contribute)'e katkıda bulunun 🤗 Yuvi Sharma ve Huggingface'deki herkese topluluk hibesi için çok teşekkürler 🤗
+"""
+
+def load_video(video_path, max_frames_num, fps=1, force_sample=False):
+    if max_frames_num == 0:
+        return np.zeros((1, 336, 336, 3))
+    vr = VideoReader(video_path, ctx=cpu(0), num_threads=1)
     total_frame_num = len(vr)
-    frame_idx = list(range(0, total_frame_num, int(vr.get_avg_fps() / fps)))
-    
-    if len(frame_idx) > max_frames_num:
-        frame_idx = np.linspace(0, total_frame_num - 1, max_frames_num, dtype=int).tolist()
-    
-    video_frames = vr.get_batch(frame_idx).asnumpy()
-    return video_frames, len(frame_idx)
+    video_time = total_frame_num / vr.get_avg_fps()
+    fps = round(vr.get_avg_fps()/fps)
+    frame_idx = [i for i in range(0, len(vr), fps)]
+    frame_time = [i/fps for i in frame_idx]
+    if len(frame_idx) > max_frames_num or force_sample:
+        sample_fps = max_frames_num
+        uniform_sampled_frames = np.linspace(0, total_frame_num - 1, sample_fps, dtype=int)
+        frame_idx = uniform_sampled_frames.tolist()
+        frame_time = [i/vr.get_avg_fps() for i in frame_idx]
+    frame_time = ",".join([f"{i:.2f}s" for i in frame_time])
+    spare_frames = vr.get_batch(frame_idx).asnumpy()
+    return spare_frames, frame_time, video_time
 
 # Model yükleme
 pretrained = "lmms-lab/LLaVA-Video-7B-Qwen2"
 model_name = "llava_qwen"
 device = "cuda" if torch.cuda.is_available() else "cpu"
+device_map = "auto"
 
 print("Model yükleniyor...")
-tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, torch_dtype="bfloat16", device_map="auto")
+tokenizer, model, image_processor, max_length = load_pretrained_model(pretrained, None, model_name, torch_dtype="bfloat16", device_map=device_map)
 model.eval()
 print("Model başarıyla yüklendi!")
 
-def analyze_reel(video_path):
-    video_frames, frame_count = load_video(video_path)
-    video = image_processor.preprocess(video_frames, return_tensors="pt")["pixel_values"].to(device).bfloat16()
+@spaces.GPU
+def process_video(video_path, question):
+    max_frames_num = 64
+    video, frame_time, video_time = load_video(video_path, max_frames_num, 1, force_sample=True)
+    video = image_processor.preprocess(video, return_tensors="pt")["pixel_values"].to(device).bfloat16()
+    video = [video]
+
+    conv_template = "qwen_1_5"
+    time_instruction = f"Video {video_time:.2f} saniye sürmektedir ve {len(video[0])} kare uniform olarak örneklenmiştir. Bu kareler {frame_time} konumlarında bulunmaktadır. Lütfen bu videoyla ilgili aşağıdaki soruları cevaplayın."
     
-    prompt = f"{DEFAULT_IMAGE_TOKEN}Bu Instagram Reels videosunu analiz et. Önce videonun genel içeriğini özetle, ardından klipte neler olup bittiğini adım adım açıkla. Video {frame_count} kareye bölünmüştür."
+    # Soruyu İngilizce'ye çevir
+    question_en = translator.translate(question, dest='en').text
+    full_question = DEFAULT_IMAGE_TOKEN + f"{time_instruction}\n{question_en}"
     
-    conv = copy.deepcopy(conv_templates["qwen_1_5"])
-    conv.append_message(conv.roles[0], prompt)
+    conv = copy.deepcopy(conv_templates[conv_template])
+    conv.append_message(conv.roles[0], full_question)
     conv.append_message(conv.roles[1], None)
-    prompt = conv.get_prompt()
+    prompt_question = conv.get_prompt()
     
-    input_ids = tokenizer_image_token(prompt, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
+    input_ids = tokenizer_image_token(prompt_question, tokenizer, IMAGE_TOKEN_INDEX, return_tensors="pt").unsqueeze(0).to(device)
     
     with torch.no_grad():
         output = model.generate(
             input_ids,
-            images=[video],
+            images=video,
             modalities=["video"],
             do_sample=False,
             temperature=0,
-            max_new_tokens=1024,
+            max_new_tokens=4096,
         )
     
     response = tokenizer.batch_decode(output, skip_special_tokens=True)[0].strip()
-    return response
+    
+    # Cevabı Türkçe'ye çevir
+    response_tr = translator.translate(response, dest='tr').text
+    return response_tr
 
-def gradio_interface(video_file):
+def gradio_interface(video_file, question):
     if video_file is None:
         return "Lütfen bir video dosyası yükleyin."
-    return analyze_reel(video_file)
+    response = process_video(video_file, question)
+    return response
 
 with gr.Blocks() as demo:
     gr.Markdown(title)
-    gr.Markdown(description)
-    
     with gr.Row():
-        video_input = gr.Video(label="Instagram Reels Videosu")
-        output = gr.Textbox(label="Analiz Sonucu", lines=10)
+        with gr.Group():
+            gr.Markdown(description1)
+        with gr.Group():
+            gr.Markdown(description2)
+    with gr.Accordion("Bize Katılın", open=False):
+        gr.Markdown(join_us)
+    with gr.Row():
+        with gr.Column():
+            video_input = gr.Video()
+            question_input = gr.Textbox(label="🙋🏻‍♂️Kullanıcı Sorusu", placeholder="Video hakkında bir soru sorun...")
+            submit_button = gr.Button("🌋📹LLaVA-Video'ya Sor")
+        output = gr.Textbox(label="🌋📹LLaVA-Video")
     
-    analyze_button = gr.Button("Reels'i Analiz Et")
-    analyze_button.click(fn=gradio_interface, inputs=video_input, outputs=output)
+    submit_button.click(
+        fn=gradio_interface,
+        inputs=[video_input, question_input],
+        outputs=output
+    )
 
 if __name__ == "__main__":
-    demo.launch(share=True)
+    demo.launch(show_error=True)