Update app.py

app.py

@@ -1,6 +1,3 @@
-
-#"/home/mclm/phd/best.pt"
-
 import os
 import cv2
 import numpy as np
@@ -80,7 +77,7 @@ def _draw_boxes_rgb(image_rgb: np.ndarray, result, target_class: str):
 
         color_bgr = (0, 0, 255) if is_target else (0, 200, 0)  # rosso per target, verde per altre
         cv2.rectangle(vis_bgr, (x1, y1), (x2, y2), color_bgr, 2)
-        # Niente label testuali
+        # Nessuna label testuale
 
         total_count += 1
         if is_target:
@@ -99,7 +96,7 @@ def infer_single_image(
     slice_w: int = 640,
     overlap_h: float = 0.10,
     overlap_w: float = 0.10,
-    device: str = "cuda:0",
+    device: str = "auto",
     target_class: str = "berry",
 ):
     """
@@ -107,9 +104,7 @@ def infer_single_image(
     con pesi YOLOv11 di instance segmentation ma trattati come detection:
     - SAHI usa AutoDetectionModel 'yolov8' (wrapper Ultralytics detection)
     - Le mask sono ignorate, si usano i bounding box (come da .boxes)
-    - Si disegnano solo le bbox (senza label) e si riporta il conteggio per la classe target
-
-    Ritorna: (immagine_annotata_RGB, testo_contatori)
+    - Si disegnano solo le bbox (senza label), scartando box con lato > MAX_SIDE_PX
     """
     if image is None:
         raise gr.Error("Devi caricare un'immagine.")
@@ -118,16 +113,23 @@ def infer_single_image(
         raise gr.Error(f"File pesi non trovato: {weights_path}")
 
     image_rgb = image.copy()
-
-    # SAHI accetta solo detection; usiamo il wrapper Ultralytics
     model_type = "yolov8"
 
+    # Scelta automatica device se 'auto'
+    chosen_device = device
+    if device == "auto":
+        try:
+            import torch
+            chosen_device = "cuda:0" if torch.cuda.is_available() else "cpu"
+        except Exception:
+            chosen_device = "cpu"
+
     try:
         detection_model = AutoDetectionModel.from_pretrained(
             model_type=model_type,
             model_path=weights_path,
             confidence_threshold=conf,
-            device=device,
+            device=chosen_device,
         )
     except Exception:
         detection_model = AutoDetectionModel.from_pretrained(
@@ -157,7 +159,7 @@ def build_app():
         gr.Markdown(
             "## YOLOv11 Instance Segmentation usata come Detection con SAHI\n"
             "- Carica un'immagine e lancia l'inferenza con pesi .pt Ultralytics (YOLOv11 segment).\n"
-            "- SAHI effettua slicing/merging ma tratta il modello come detection: vengono usati i bounding box (le mask sono ignorate).\n"
+            "- SAHI effettua slicing/merging ma tratta il modello come detection: si usano i bounding box (le mask sono ignorate).\n"
             "- Plot: solo box, senza etichette; scarta box con lato > 70 px."
         )
 
@@ -166,16 +168,16 @@ def build_app():
                 img_in = gr.Image(label="Immagine", type="numpy")
                 weights = gr.Textbox(
                     label="Percorso pesi (.pt)",
-                    value="/home/mclm/phd/best.pt",
-                    placeholder="es. src/scripts/best.pt",
+                    value="weights/best.pt",
+                    placeholder="es. weights/best.pt",
                 )
                 target = gr.Textbox(label="Classe target", value="berry")
 
                 with gr.Row():
                     conf = gr.Slider(0.0, 1.0, value=0.35, step=0.01, label="Confidence")
                     device = gr.Dropdown(
-                        ["cuda:0", "cpu"],
-                        value="cuda:0",
+                        ["auto", "cuda:0", "cpu"],
+                        value="auto",
                         label="Device",
                     )
 
@@ -203,5 +205,6 @@ def build_app():
 
 
 if __name__ == "__main__":
-    app = build_app()
-    app.launch(server_name="0.0.0.0", server_port=7860, inbrowser=False, show_api=False)
+    demo = build_app()
+    # Su Spaces non è necessario specificare server_name o share
+    demo.launch()