app.py

import gradio as gr
from transformers import AutoProcessor, AutoModelForVisionText2Text
import os
import torch

# Hugging Face tokeninizi çevresel değişkenden alın
hf_token = os.getenv("HF_TOKEN")
if not hf_token:
    raise ValueError("HF_TOKEN çevresel değişkeni ayarlanmamış. Lütfen Hugging Face token'ınızı ayarlayın.")

# Model ve işlemciyi yükleyin
model_name = "meta-llama/Llama-3.2-90B-Vision-Instruct"
processor = AutoProcessor.from_pretrained(model_name, use_auth_token=hf_token)
model = AutoModelForVisionText2Text.from_pretrained(
    model_name,
    use_auth_token=hf_token,
    device_map="auto",
    torch_dtype=torch.float16
)

def predict(image, text):
    # Girdileri işleyin ve cihazı ayarlayın
    inputs = processor(images=image, text=text, return_tensors="pt").to(model.device)
    # Modelden yanıt alın
    outputs = model.generate(**inputs, max_new_tokens=100)
    # Çıktıyı çözümleyin
    response = processor.batch_decode(outputs, skip_special_tokens=True)[0]
    return response

# Gradio arayüzünü tanımlayın
interface = gr.Interface(
    fn=predict,
    inputs=[
        gr.Image(type="pil", label="Görüntü Girdisi"),
        gr.Textbox(label="Metin Girdisi")
    ],
    outputs=gr.Textbox(label="Çıktı"),
    title="Llama 3.2 90B Vision Instruct Demo",
    description="Bir görüntü ve metin girdisi alarak yanıt üreten model."
)

interface.launch()