Spaces:

apak
/

MISCNER_Light

Sleeping

Update app.py

d5be74e verified 2 months ago

24.2 kB

import torch
import spaces
import os
import re
import gradio as gr
import requests
import time
import json
import traceback
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

# --- SSL ve Network Ayarları ---
import urllib3
urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

# --- 1. MODELLERİN HAZIRLANMASI ---
ner_pipe = pipeline("ner", model="xlm-roberta-large-finetuned-conll03-english", aggregation_strategy="simple", device=-1)

# Qwen modeli
model_id = "TinyLlama/TinyLlama-1.1B-Chat-v1.0"

# Tokenizer'ı yükle
tokenizer = AutoTokenizer.from_pretrained(
    model_id,
    trust_remote_code=True,
    padding_side="left"
)

# Eğer tokenizer'da pad_token yoksa eos_token'u kullan
if tokenizer.pad_token is None:
    tokenizer.pad_token = tokenizer.eos_token

# LLM modelini yükle
llm_model = None
IS_LLM_ENABLED = False

try:
    print("📦 Qwen LLM modeli yükleniyor...")
    print("⚠️ Bu işlem 7B model olduğu için biraz zaman alabilir...")
    
    # Qwen için özel yükleme
    llm_model = AutoModelForCausalLM.from_pretrained(
        model_id,
        torch_dtype=torch.float16,  # float16 daha hızlı
        device_map="cpu",  # CPU'da çalıştır
        trust_remote_code=True,
        low_cpu_mem_usage=True
    )
    
    # Modeli evaluation moduna al
    llm_model.eval()
    
    # Device kontrolü
    device = next(llm_model.parameters()).device
    print(f"✅ Qwen modeli yüklendi! Device: {device}")
    print(f"   Model dtype: {next(llm_model.parameters()).dtype}")
    
    IS_LLM_ENABLED = True
    
except Exception as e:
    IS_LLM_ENABLED = False
    print(f"⚠️ Qwen yüklenemedi: {e}")
    print(traceback.format_exc())

# --- 2. WIKIPEDIA API ---

def get_wiki_summary(term):
    """Türkçe Wikipedia'dan doğrudan API ile özet getirir"""
    
    print(f"\n{'='*50}")
    print(f"🔍 Türkçe Wikipedia sorgusu: '{term}'")
    
    # Özel terim dönüşümleri
    special_cases = {
        "Türk": "Türkler",
        "türk": "Türkler",
        "Altın Aslan": "Altın Aslan Ödülü",
        "Venedik Film Festivali": "Venedik Film Festivali",
        "Kış Uykusu": "Kış Uykusu (film)",
        "Inception": "Inception (film)",
        "Oscar": "Akademi Ödülü",
        "Nobel": "Nobel Ödülü",
        "Amerika": "Amerika",
        "1984": "1984 (roman)",
        "Apple": "Apple (şirket)",
        "Windows": "Microsoft Windows",
        "Linux": "Linux",
        "Python": "Python (programlama dili)",
    }
    
    # Arama terimlerini hazırla
    search_terms = [term]
    for key, value in special_cases.items():
        if term.lower() == key.lower():
            search_terms = [value, term]
            break
    
    if len(search_terms) == 1:
        if term.endswith("lar") or term.endswith("ler"):
            search_terms.append(term[:-3])
        else:
            search_terms.append(term + "lar")
            search_terms.append(term + "ler")
    
    print(f"📝 Aranacak terimler: {search_terms}")
    
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
        'Accept': 'application/json',
        'Accept-Language': 'tr,en;q=0.9'
    }
    
    for search_term in search_terms:
        print(f"🔎 '{search_term}' aranıyor...")
        
        try:
            url = "https://tr.wikipedia.org/w/api.php"
            
            # Doğrudan sayfa kontrolü
            params = {
                "action": "query",
                "format": "json",
                "titles": search_term,
                "prop": "extracts",
                "exintro": True,
                "explaintext": True,
                "exsentences": 3,
                "origin": "*"
            }
            
            response = requests.get(url, params=params, headers=headers, timeout=10, verify=False)
            
            if response.status_code == 200:
                try:
                    data = response.json()
                    pages = data.get('query', {}).get('pages', {})
                    
                    for page_id, page_info in pages.items():
                        if page_id != "-1":
                            extract = page_info.get('extract', '')
                            if extract and len(extract) > 20:
                                print(f"✅ Doğrudan sayfa bulundu: '{search_term}'")
                                return extract
                except:
                    pass
            
            # Arama yap
            search_params = {
                "action": "query",
                "format": "json",
                "list": "search",
                "srsearch": search_term,
                "srlimit": 3,
                "srprop": "snippet",
                "origin": "*"
            }
            
            search_response = requests.get(url, params=search_params, headers=headers, timeout=10, verify=False)
            
            if search_response.status_code == 200:
                try:
                    search_data = search_response.json()
                    search_results = search_data.get('query', {}).get('search', [])
                    
                    for result in search_results:
                        title = result.get('title', '')
                        if title:
                            summary_params = {
                                "action": "query",
                                "format": "json",
                                "titles": title,
                                "prop": "extracts",
                                "exintro": True,
                                "explaintext": True,
                                "exsentences": 3,
                                "origin": "*"
                            }
                            
                            summary_response = requests.get(url, params=summary_params, headers=headers, timeout=10, verify=False)
                            
                            if summary_response.status_code == 200:
                                try:
                                    summary_data = summary_response.json()
                                    pages = summary_data.get('query', {}).get('pages', {})
                                    
                                    for page_id, page_info in pages.items():
                                        if page_id != "-1":
                                            extract = page_info.get('extract', '')
                                            if extract and len(extract) > 20:
                                                print(f"✅ '{search_term}' -> '{title}' bulundu")
                                                return extract
                                except:
                                    pass
                except:
                    pass
                    
        except Exception as e:
            print(f"⚠️ Hata: {str(e)[:50]}")
            continue
        
        time.sleep(0.3)
    
    print(f"❌ '{term}' için Türkçe Wikipedia'da sonuç bulunamadı")
    print(f"{'='*50}\n")
    return None

def test_wikipedia_connection():
    """Wikipedia API bağlantısını test et"""
    logs = []
    
    try:
        url = "https://tr.wikipedia.org/w/api.php"
        params = {
            "action": "query",
            "format": "json",
            "titles": "Türkiye",
            "prop": "extracts",
            "exintro": True,
            "explaintext": True,
            "origin": "*"
        }
        headers = {'User-Agent': 'Mozilla/5.0 (compatible; Test/1.0)'}
        
        response = requests.get(url, params=params, headers=headers, timeout=10, verify=False)
        logs.append(f"📡 API Status: {response.status_code}")
        
        if response.status_code == 200:
            try:
                data = response.json()
                pages = data.get('query', {}).get('pages', {})
                for page_id, page_info in pages.items():
                    if page_id != "-1":
                        extract = page_info.get('extract', '')
                        if extract:
                            logs.append(f"✅ Türkçe Wikipedia API çalışıyor!")
                            logs.append(f"📄 Örnek: {extract[:100]}...")
                            break
                else:
                    logs.append(f"⚠️ Sayfa bulunamadı")
            except:
                logs.append(f"❌ JSON parse hatası")
        else:
            logs.append(f"❌ API hatası: {response.status_code}")
            
    except Exception as e:
        logs.append(f"❌ Bağlantı hatası: {str(e)}")
    
    return "\n".join(logs)

# --- 3. LLM ANALİZ FONKSİYONU (QWEN İÇİN OPTİMİZE) ---

@spaces.GPU
def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label_definitions):
    """Qwen ile etiket analizi yapar - RuntimeError çözümlü"""
    global llm_model, IS_LLM_ENABLED, tokenizer
    
    if not IS_LLM_ENABLED or llm_model is None:
        return "MISC", "LLM Aktif Değil"
    
    try:
        print(f"\n🧠 Qwen LLM analizi: '{entity_text}'")
        
        # Modeli CPU'da tut
        if next(llm_model.parameters()).device.type != "cpu":
            llm_model.to("cpu")
            if torch.cuda.is_available():
                torch.cuda.empty_cache()
        
        # Etiket Tanımları
        label_rules = ""
        for k, v in custom_label_definitions.items():
            anahtar_kelimeler = ', '.join(v['anahtar_kelimeler'])
            label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {anahtar_kelimeler}\n\n"

        # Qwen için özel prompt formatı
        prompt = f"""<|im_start|>system
Sen bir NER (Named Entity Recognition) uzmanısın. Verilen varlığı analiz et ve doğru kategoriyi belirle.
<|im_end|>
<|im_start|>user
Aşağıdaki varlığı analiz et ve hangi kategoriye ait olduğunu söyle.
VARLIK: {entity_text}
CÜMLE: {full_sentence}
WIKIPEDIA BİLGİSİ: {wiki_context}
KATEGORİLER VE TANIMLARI:
{label_rules}
Kurallar:
1. Cümledeki bağlama göre karar ver
2. Wikipedia bilgisiyle karşılaştır
3. Çelişki varsa cümledeki kullanıma öncelik ver
4. Sadece kategori adını yaz (MOVIE, BOOK, SOFTWARE, AWARD, PRODUCT, NORP, GPE)
CEVAP:
<|im_end|>
<|im_start|>assistant
"""

        print(f"🔄 Qwen generate başlatılıyor...")
        
        # Tokenize et
        inputs = tokenizer(
            prompt, 
            return_tensors="pt", 
            truncation=True, 
            max_length=2048,
            padding=True
        )
        inputs = {k: v.to("cpu") for k, v in inputs.items()}
        
        # Generate - CPU'da
        with torch.no_grad():
            outputs = llm_model.generate(
                inputs.input_ids,
                max_new_tokens=200,
                do_sample=False,
                temperature=0.1,
                top_p=0.9,
                pad_token_id=tokenizer.eos_token_id,
                eos_token_id=tokenizer.eos_token_id,
                repetition_penalty=1.1
            )
        
        # Çıktıyı decode et
        full_output = tokenizer.decode(outputs[0], skip_special_tokens=True)
        
        print(f"✅ Qwen çıktısı alındı")
        
        # Assistant kısmını bul
        if "<|im_start|>assistant" in full_output:
            response = full_output.split("<|im_start|>assistant")[-1].strip()
        else:
            response = full_output[len(prompt):].strip()
        
        print(f"📝 Çıktı: {response[:200]}...")
        
        # Etiket Ayıklama
        final_label = "MISC"
        valid_keys = list(custom_label_definitions.keys())
        
        # Regex ile etiket bul
        for label in valid_keys:
            if re.search(rf'\b{label}\b', response, re.IGNORECASE):
                final_label = label
                print(f"🏷️ Etiket bulundu: {final_label}")
                break
        
        # Eğer bulunamadıysa, tüm kelimeleri kontrol et
        if final_label == "MISC":
            words = re.findall(r'[A-Z_]+', response.upper())
            for word in words:
                if word in valid_keys:
                    final_label = word
                    print(f"🏷️ Kelime eşleşmesi: {final_label}")
                    break
        
        return final_label, response
        
    except RuntimeError as e:
        print(f"❌ RuntimeError: {str(e)}")
        # Modeli resetle
        try:
            llm_model.to("cpu")
            if torch.cuda.is_available():
                torch.cuda.empty_cache()
        except:
            pass
        return "MISC", f"RuntimeError: {str(e)[:100]}"
        
    except Exception as e:
        print(f"❌ LLM hatası: {type(e).__name__} - {str(e)}")
        print(traceback.format_exc())
        return "MISC", f"Hata: {str(e)[:100]}"

# --- 4. ANA İŞLEM HATTI ---

def process_ner(text):
    current_logs = ["🚀 <b>Sistem Başlatıldı:</b> Metin analiz ediliyor..."]
    final_results = []
    yield "<br>".join(current_logs), []

    custom_labels = {
        "MOVIE": {"tanim": "Sinematik eserler (film, dizi).", "anahtar_kelimeler": ["film", "dizi", "sinema", "yönetmen"]},
        "BOOK": {"tanim": "Yazılı edebi eserler (kitap, roman).", "anahtar_kelimeler": ["kitap", "roman", "yazar", "öykü"]},
        "SOFTWARE": {"tanim": "Dijital sistemler (yazılım, işletim sistemi).", "anahtar_kelimeler": ["yazılım", "kod", "program", "sistem"]},
        "AWARD": {"tanim": "Resmi ödüller ve festival ödülleri.", "anahtar_kelimeler": ["ödül", "oscar", "altın aslan", "nobel", "festival"]},
        "PRODUCT": {"tanim": "Ticari ürünler (marka, model).", "anahtar_kelimeler": ["marka", "model", "telefon", "bilgisayar"]},
        "NORP": {"tanim": "Etnik ve dini gruplar, milliyetler.", "anahtar_kelimeler": ["türk", "fransız", "alman", "millet"]},
        "GPE": {"tanim": "Siyasi bölgeler (ülke, şehir).", "anahtar_kelimeler": ["ülke", "şehir", "başkent", "eyalet"]}
    }

    try:
        initial_results = ner_pipe(text)
        current_logs.append(f"✅ NER işlemi tamamlandı: {len(initial_results)} varlık bulundu.")
        yield "<br>".join(current_logs), []
    except Exception as e:
        current_logs.append(f"❌ NER hatası: {str(e)}")
        yield "<br>".join(current_logs), []
        return

    for entity in initial_results:
        word = entity['word'].replace(" ", " ").strip()
        label = entity['entity_group']
        
        if label in ["PER", "ORG", "LOC"]:
            res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": label, "Kaynak": "Model"}
            current_logs.append(f"✅ <b>{word}</b>: {label} (Doğrudan Tespit)")
            final_results.append(res)
            table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
            yield "<br>".join(current_logs), table_display
            continue
            
        elif label == "MISC":
            current_logs.append(f"🔍 <b>Analiz Başladı:</b> '{word}'")
            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
            
            start_time = time.time()
            current_logs.append(f"⏱️ <b>Türkçe Wikipedia sorgusu:</b> '{word}'")
            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
            
            wiki_text = None
            try:
                wiki_text = get_wiki_summary(word)
                elapsed = time.time() - start_time
                
                if wiki_text:
                    current_logs.append(f"✅ <b>Wikipedia başarılı</b> ({elapsed:.2f}s)")
                    wiki_preview = wiki_text[:200] + "..." if len(wiki_text) > 200 else wiki_text
                    current_logs.append(f"<div style='margin-left:20px; border-left:2px solid #007bff; padding-left:10px; color:#555;'>🌐 <b>Wiki:</b> {wiki_preview}</div>")
                else:
                    current_logs.append(f"❌ <b>Wikipedia boş döndü</b> ({elapsed:.2f}s)")
            except Exception as e:
                elapsed = time.time() - start_time
                current_logs.append(f"❌ <b>Wikipedia hatası</b> ({elapsed:.2f}s): {str(e)[:100]}")
                wiki_text = None
            
            yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
            
            if wiki_text and IS_LLM_ENABLED:
                try:
                    current_logs.append(f"🧠 <b>Qwen LLM analizi başlatılıyor:</b> '{word}' (Bu işlem biraz zaman alabilir...)")
                    yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]
                    
                    new_label, cot_text = refine_label_with_llm(word, text, wiki_text, custom_labels)
                    
                    cot_preview = cot_text[:300] + "..." if len(cot_text) > 300 else cot_text
                    current_logs.append(f"🧠 <b>LLM Çıktısı:</b> {cot_preview}")
                    
                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": new_label, "Kaynak": "RAG+LLM"}
                    current_logs.append(f"🏷️ <b>Nihai Etiket:</b> {new_label}")
                    
                except Exception as e:
                    error_msg = str(e)[:100]
                    current_logs.append(f"❌ <b>LLM analiz hatası:</b> {error_msg}")
                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": f"Hata: {error_msg}"}
            else:
                if not wiki_text:
                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
                    current_logs.append(f"⚠️ '{word}' için Wikipedia bilgisi olmadığından MISC olarak etiketlendi.")
                else:
                    res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
                    current_logs.append(f"⚠️ LLM aktif değil, '{word}' MISC olarak etiketlendi.")
            
            final_results.append(res)
            table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
            yield "<br>".join(current_logs), table_display

    current_logs.append("✨ <b>Analiz Tamamlandı.</b>")
    yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]

# --- 5. DEBUG FONKSİYONLARI ---

def debug_wikipedia():
    result = test_wikipedia_connection()
    return f"<pre style='background:#f4f4f4;padding:10px;border-radius:5px;font-family:monospace;font-size:12px;'>{result}</pre>"

def test_single_term(term):
    if not term:
        return "Lütfen bir terim girin."
    
    logs = [f"🔍 '{term}' için Türkçe Wikipedia testi"]
    logs.append("="*50)
    
    try:
        result = get_wiki_summary(term)
        if result:
            logs.append(f"✅ SONUÇ: {result}")
        else:
            logs.append(f"❌ Sonuç bulunamadı")
    except Exception as e:
        logs.append(f"❌ Hata: {str(e)}")
    
    return "\n".join(logs)

def check_llm_status():
    global IS_LLM_ENABLED, llm_model, model_id
    
    logs = ["=== Qwen LLM DURUM KONTROLÜ ==="]
    logs.append(f"LLM Aktif: {IS_LLM_ENABLED}")
    logs.append(f"Model: {model_id}")
    
    if llm_model is not None:
        try:
            device = next(llm_model.parameters()).device
            dtype = next(llm_model.parameters()).dtype
            logs.append(f"Device: {device}")
            logs.append(f"Dtype: {dtype}")
            logs.append(f"CUDA Kullanılabilir: {torch.cuda.is_available()}")
            logs.append(f"Model Boyutu: {sum(p.numel() for p in llm_model.parameters()):,} parametre")
        except Exception as e:
            logs.append(f"Device kontrol hatası: {str(e)}")
    else:
        logs.append("❌ Model yüklenmemiş!")
    
    return "\n".join(logs)

# --- 6. GRADIO ARAYÜZÜ ---

with gr.Blocks(title="RAG-NER Uzman Karar Destek Sistemi") as demo:
    gr.Markdown("# 🚀 RAG-NER Uzman Karar Destek Sistemi (Türkçe Wikipedia + Qwen)")
    gr.Markdown(f"**LLM Modeli:** {model_id}")
    
    with gr.Tab("Metin Analizi"):
        input_text = gr.Textbox(
            label="Analiz Edilecek Metin", 
            placeholder="Analiz etmek istediğiniz metni buraya girin...",
            lines=3
        )
        
        examples_list = [
            ["Türk yönetmen Nuri Bilge Ceylan, Venedik Film Festivali'nde Altın Aslan ödülünü kazandığı Kış Uykusu filmiyle uluslararası üne kavuştu."],
            ["Amerikalı yazar George Orwell'in ünlü kitabı 1984, Apple şirketinin Macintosh tanıtım reklamında ilham kaynağı olarak kullanılmış ve Windows işletim sistemine karşı bir metafor haline gelmişti."],
            ["Fransız oyuncu Marion Cotillard, Christopher Nolan'ın Inception filmiyle Oscar ödülüne aday gösterilmiş ve daha önce La Vie en Rose performansıyla En İyi Kadın Oyuncu Akademi Ödülü'nü kazanmıştı."]
        ]
        
        gr.Examples(
            examples=examples_list, 
            inputs=input_text,
            label="Hazır Örnek Senaryolar"
        )
        
        with gr.Row():
            log_output = gr.HTML(label="Sistem Günlüğü")
            table_output = gr.Dataframe(
                headers=["Varlık", "İlk Etiket", "Nihai Etiket", "Kaynak"], 
                datatype="markdown",
                wrap=True
            )
        
        btn = gr.Button("Analiz Et", variant="primary")
        btn.click(
            process_ner, 
            inputs=input_text, 
            outputs=[log_output, table_output]
        )
    
    with gr.Tab("Debug"):
        gr.Markdown("## 🐛 Debug Paneli")
        
        gr.Markdown("### 🌐 Türkçe Wikipedia Testi")
        with gr.Row():
            debug_btn = gr.Button("Wikipedia Bağlantısını Test Et", variant="secondary")
            debug_output = gr.HTML(label="Debug Sonuçları")
        debug_btn.click(debug_wikipedia, outputs=debug_output)
        
        gr.Markdown("### 🔍 Tek Terim Testi")
        with gr.Row():
            single_term_input = gr.Textbox(
                label="Test Edilecek Terim",
                placeholder="Örn: Türk, Venedik Film Festivali, Altın Aslan",
                scale=3
            )
            single_term_btn = gr.Button("Test Et", variant="secondary", scale=1)
        
        single_term_output = gr.Textbox(
            label="Sonuç",
            lines=15,
            interactive=False
        )
        single_term_btn.click(test_single_term, inputs=single_term_input, outputs=single_term_output)
        
        gr.Markdown("### 🧠 Qwen LLM Durum Kontrolü")
        with gr.Row():
            llm_status_btn = gr.Button("Qwen Durumunu Kontrol Et", variant="secondary")
            llm_status_output = gr.Textbox(
                label="Qwen Durumu",
                lines=8,
                interactive=False
            )
        llm_status_btn.click(check_llm_status, outputs=llm_status_output)

# --- 7. BAŞLATMA ---

if __name__ == "__main__":
    print("\n" + "="*50)
    print("🚀 SİSTEM BAŞLATILIYOR...")
    print("="*50)
    
    print("\n📡 Türkçe Wikipedia bağlantısı test ediliyor...")
    test_result = test_wikipedia_connection()
    print(test_result)
    
    print("\n🧠 Qwen LLM durumu kontrol ediliyor...")
    print(check_llm_status())
    
    print("\n" + "="*50)
    print("✅ Sistem hazır, Gradio başlatılıyor...")
    print("="*50 + "\n")
    
    demo.launch(
        auth=("admin", "1113"),
        auth_message="Lütfen uzman paneline erişmek için giriş yapın.",
        debug=True,
        share=True
    )

	import torch
	import spaces
	import os
	import re
	import gradio as gr
	import requests
	import time
	import json
	import traceback
	from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline

	# --- SSL ve Network Ayarları ---
	import urllib3
	urllib3.disable_warnings(urllib3.exceptions.InsecureRequestWarning)

	# --- 1. MODELLERİN HAZIRLANMASI ---
	ner_pipe = pipeline("ner", model="xlm-roberta-large-finetuned-conll03-english", aggregation_strategy="simple", device=-1)

	# Qwen modeli
	model_id = "TinyLlama/TinyLlama-1.1B-Chat-v1.0"

	# Tokenizer'ı yükle
	tokenizer = AutoTokenizer.from_pretrained(
	model_id,
	trust_remote_code=True,
	padding_side="left"
	)

	# Eğer tokenizer'da pad_token yoksa eos_token'u kullan
	if tokenizer.pad_token is None:
	tokenizer.pad_token = tokenizer.eos_token

	# LLM modelini yükle
	llm_model = None
	IS_LLM_ENABLED = False

	try:
	print("📦 Qwen LLM modeli yükleniyor...")
	print("⚠️ Bu işlem 7B model olduğu için biraz zaman alabilir...")

	# Qwen için özel yükleme
	llm_model = AutoModelForCausalLM.from_pretrained(
	model_id,
	torch_dtype=torch.float16, # float16 daha hızlı
	device_map="cpu", # CPU'da çalıştır
	trust_remote_code=True,
	low_cpu_mem_usage=True
	)

	# Modeli evaluation moduna al
	llm_model.eval()

	# Device kontrolü
	device = next(llm_model.parameters()).device
	print(f"✅ Qwen modeli yüklendi! Device: {device}")
	print(f" Model dtype: {next(llm_model.parameters()).dtype}")

	IS_LLM_ENABLED = True

	except Exception as e:
	IS_LLM_ENABLED = False
	print(f"⚠️ Qwen yüklenemedi: {e}")
	print(traceback.format_exc())

	# --- 2. WIKIPEDIA API ---

	def get_wiki_summary(term):
	"""Türkçe Wikipedia'dan doğrudan API ile özet getirir"""

	print(f"\n{'='*50}")
	print(f"🔍 Türkçe Wikipedia sorgusu: '{term}'")

	# Özel terim dönüşümleri
	special_cases = {
	"Türk": "Türkler",
	"türk": "Türkler",
	"Altın Aslan": "Altın Aslan Ödülü",
	"Venedik Film Festivali": "Venedik Film Festivali",
	"Kış Uykusu": "Kış Uykusu (film)",
	"Inception": "Inception (film)",
	"Oscar": "Akademi Ödülü",
	"Nobel": "Nobel Ödülü",
	"Amerika": "Amerika",
	"1984": "1984 (roman)",
	"Apple": "Apple (şirket)",
	"Windows": "Microsoft Windows",
	"Linux": "Linux",
	"Python": "Python (programlama dili)",
	}

	# Arama terimlerini hazırla
	search_terms = [term]
	for key, value in special_cases.items():
	if term.lower() == key.lower():
	search_terms = [value, term]
	break

	if len(search_terms) == 1:
	if term.endswith("lar") or term.endswith("ler"):
	search_terms.append(term[:-3])
	else:
	search_terms.append(term + "lar")
	search_terms.append(term + "ler")

	print(f"📝 Aranacak terimler: {search_terms}")

	headers = {
	'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36',
	'Accept': 'application/json',
	'Accept-Language': 'tr,en;q=0.9'
	}

	for search_term in search_terms:
	print(f"🔎 '{search_term}' aranıyor...")

	try:
	url = "https://tr.wikipedia.org/w/api.php"

	# Doğrudan sayfa kontrolü
	params = {
	"action": "query",
	"format": "json",
	"titles": search_term,
	"prop": "extracts",
	"exintro": True,
	"explaintext": True,
	"exsentences": 3,
	"origin": "*"
	}

	response = requests.get(url, params=params, headers=headers, timeout=10, verify=False)

	if response.status_code == 200:
	try:
	data = response.json()
	pages = data.get('query', {}).get('pages', {})

	for page_id, page_info in pages.items():
	if page_id != "-1":
	extract = page_info.get('extract', '')
	if extract and len(extract) > 20:
	print(f"✅ Doğrudan sayfa bulundu: '{search_term}'")
	return extract
	except:
	pass

	# Arama yap
	search_params = {
	"action": "query",
	"format": "json",
	"list": "search",
	"srsearch": search_term,
	"srlimit": 3,
	"srprop": "snippet",
	"origin": "*"
	}

	search_response = requests.get(url, params=search_params, headers=headers, timeout=10, verify=False)

	if search_response.status_code == 200:
	try:
	search_data = search_response.json()
	search_results = search_data.get('query', {}).get('search', [])

	for result in search_results:
	title = result.get('title', '')
	if title:
	summary_params = {
	"action": "query",
	"format": "json",
	"titles": title,
	"prop": "extracts",
	"exintro": True,
	"explaintext": True,
	"exsentences": 3,
	"origin": "*"
	}

	summary_response = requests.get(url, params=summary_params, headers=headers, timeout=10, verify=False)

	if summary_response.status_code == 200:
	try:
	summary_data = summary_response.json()
	pages = summary_data.get('query', {}).get('pages', {})

	for page_id, page_info in pages.items():
	if page_id != "-1":
	extract = page_info.get('extract', '')
	if extract and len(extract) > 20:
	print(f"✅ '{search_term}' -> '{title}' bulundu")
	return extract
	except:
	pass
	except:
	pass

	except Exception as e:
	print(f"⚠️ Hata: {str(e)[:50]}")
	continue

	time.sleep(0.3)

	print(f"❌ '{term}' için Türkçe Wikipedia'da sonuç bulunamadı")
	print(f"{'='*50}\n")
	return None

	def test_wikipedia_connection():
	"""Wikipedia API bağlantısını test et"""
	logs = []

	try:
	url = "https://tr.wikipedia.org/w/api.php"
	params = {
	"action": "query",
	"format": "json",
	"titles": "Türkiye",
	"prop": "extracts",
	"exintro": True,
	"explaintext": True,
	"origin": "*"
	}
	headers = {'User-Agent': 'Mozilla/5.0 (compatible; Test/1.0)'}

	response = requests.get(url, params=params, headers=headers, timeout=10, verify=False)
	logs.append(f"📡 API Status: {response.status_code}")

	if response.status_code == 200:
	try:
	data = response.json()
	pages = data.get('query', {}).get('pages', {})
	for page_id, page_info in pages.items():
	if page_id != "-1":
	extract = page_info.get('extract', '')
	if extract:
	logs.append(f"✅ Türkçe Wikipedia API çalışıyor!")
	logs.append(f"📄 Örnek: {extract[:100]}...")
	break
	else:
	logs.append(f"⚠️ Sayfa bulunamadı")
	except:
	logs.append(f"❌ JSON parse hatası")
	else:
	logs.append(f"❌ API hatası: {response.status_code}")

	except Exception as e:
	logs.append(f"❌ Bağlantı hatası: {str(e)}")

	return "\n".join(logs)

	# --- 3. LLM ANALİZ FONKSİYONU (QWEN İÇİN OPTİMİZE) ---

	@spaces.GPU
	def refine_label_with_llm(entity_text, full_sentence, wiki_context, custom_label_definitions):
	"""Qwen ile etiket analizi yapar - RuntimeError çözümlü"""
	global llm_model, IS_LLM_ENABLED, tokenizer

	if not IS_LLM_ENABLED or llm_model is None:
	return "MISC", "LLM Aktif Değil"

	try:
	print(f"\n🧠 Qwen LLM analizi: '{entity_text}'")

	# Modeli CPU'da tut
	if next(llm_model.parameters()).device.type != "cpu":
	llm_model.to("cpu")
	if torch.cuda.is_available():
	torch.cuda.empty_cache()

	# Etiket Tanımları
	label_rules = ""
	for k, v in custom_label_definitions.items():
	anahtar_kelimeler = ', '.join(v['anahtar_kelimeler'])
	label_rules += f"### {k}\n- TANIM: {v['tanim']}\n- ANAHTARLAR: {anahtar_kelimeler}\n\n"

	# Qwen için özel prompt formatı
	prompt = f"""<\|im_start\|>system
	Sen bir NER (Named Entity Recognition) uzmanısın. Verilen varlığı analiz et ve doğru kategoriyi belirle.
	<\|im_end\|>
	<\|im_start\|>user
	Aşağıdaki varlığı analiz et ve hangi kategoriye ait olduğunu söyle.

	VARLIK: {entity_text}
	CÜMLE: {full_sentence}
	WIKIPEDIA BİLGİSİ: {wiki_context}

	KATEGORİLER VE TANIMLARI:
	{label_rules}

	Kurallar:
	1. Cümledeki bağlama göre karar ver
	2. Wikipedia bilgisiyle karşılaştır
	3. Çelişki varsa cümledeki kullanıma öncelik ver
	4. Sadece kategori adını yaz (MOVIE, BOOK, SOFTWARE, AWARD, PRODUCT, NORP, GPE)

	CEVAP:
	<\|im_end\|>
	<\|im_start\|>assistant
	"""

	print(f"🔄 Qwen generate başlatılıyor...")

	# Tokenize et
	inputs = tokenizer(
	prompt,
	return_tensors="pt",
	truncation=True,
	max_length=2048,
	padding=True
	)
	inputs = {k: v.to("cpu") for k, v in inputs.items()}

	# Generate - CPU'da
	with torch.no_grad():
	outputs = llm_model.generate(
	inputs.input_ids,
	max_new_tokens=200,
	do_sample=False,
	temperature=0.1,
	top_p=0.9,
	pad_token_id=tokenizer.eos_token_id,
	eos_token_id=tokenizer.eos_token_id,
	repetition_penalty=1.1
	)

	# Çıktıyı decode et
	full_output = tokenizer.decode(outputs[0], skip_special_tokens=True)

	print(f"✅ Qwen çıktısı alındı")

	# Assistant kısmını bul
	if "<\|im_start\|>assistant" in full_output:
	response = full_output.split("<\|im_start\|>assistant")[-1].strip()
	else:
	response = full_output[len(prompt):].strip()

	print(f"📝 Çıktı: {response[:200]}...")

	# Etiket Ayıklama
	final_label = "MISC"
	valid_keys = list(custom_label_definitions.keys())

	# Regex ile etiket bul
	for label in valid_keys:
	if re.search(rf'\b{label}\b', response, re.IGNORECASE):
	final_label = label
	print(f"🏷️ Etiket bulundu: {final_label}")
	break

	# Eğer bulunamadıysa, tüm kelimeleri kontrol et
	if final_label == "MISC":
	words = re.findall(r'[A-Z_]+', response.upper())
	for word in words:
	if word in valid_keys:
	final_label = word
	print(f"🏷️ Kelime eşleşmesi: {final_label}")
	break

	return final_label, response

	except RuntimeError as e:
	print(f"❌ RuntimeError: {str(e)}")
	# Modeli resetle
	try:
	llm_model.to("cpu")
	if torch.cuda.is_available():
	torch.cuda.empty_cache()
	except:
	pass
	return "MISC", f"RuntimeError: {str(e)[:100]}"

	except Exception as e:
	print(f"❌ LLM hatası: {type(e).__name__} - {str(e)}")
	print(traceback.format_exc())
	return "MISC", f"Hata: {str(e)[:100]}"

	# --- 4. ANA İŞLEM HATTI ---

	def process_ner(text):
	current_logs = ["🚀 <b>Sistem Başlatıldı:</b> Metin analiz ediliyor..."]
	final_results = []
	yield "<br>".join(current_logs), []

	custom_labels = {
	"MOVIE": {"tanim": "Sinematik eserler (film, dizi).", "anahtar_kelimeler": ["film", "dizi", "sinema", "yönetmen"]},
	"BOOK": {"tanim": "Yazılı edebi eserler (kitap, roman).", "anahtar_kelimeler": ["kitap", "roman", "yazar", "öykü"]},
	"SOFTWARE": {"tanim": "Dijital sistemler (yazılım, işletim sistemi).", "anahtar_kelimeler": ["yazılım", "kod", "program", "sistem"]},
	"AWARD": {"tanim": "Resmi ödüller ve festival ödülleri.", "anahtar_kelimeler": ["ödül", "oscar", "altın aslan", "nobel", "festival"]},
	"PRODUCT": {"tanim": "Ticari ürünler (marka, model).", "anahtar_kelimeler": ["marka", "model", "telefon", "bilgisayar"]},
	"NORP": {"tanim": "Etnik ve dini gruplar, milliyetler.", "anahtar_kelimeler": ["türk", "fransız", "alman", "millet"]},
	"GPE": {"tanim": "Siyasi bölgeler (ülke, şehir).", "anahtar_kelimeler": ["ülke", "şehir", "başkent", "eyalet"]}
	}

	try:
	initial_results = ner_pipe(text)
	current_logs.append(f"✅ NER işlemi tamamlandı: {len(initial_results)} varlık bulundu.")
	yield "<br>".join(current_logs), []
	except Exception as e:
	current_logs.append(f"❌ NER hatası: {str(e)}")
	yield "<br>".join(current_logs), []
	return

	for entity in initial_results:
	word = entity['word'].replace(" ", " ").strip()
	label = entity['entity_group']

	if label in ["PER", "ORG", "LOC"]:
	res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": label, "Kaynak": "Model"}
	current_logs.append(f"✅ <b>{word}</b>: {label} (Doğrudan Tespit)")
	final_results.append(res)
	table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
	yield "<br>".join(current_logs), table_display
	continue

	elif label == "MISC":
	current_logs.append(f"🔍 <b>Analiz Başladı:</b> '{word}'")
	yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]

	start_time = time.time()
	current_logs.append(f"⏱️ <b>Türkçe Wikipedia sorgusu:</b> '{word}'")
	yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]

	wiki_text = None
	try:
	wiki_text = get_wiki_summary(word)
	elapsed = time.time() - start_time

	if wiki_text:
	current_logs.append(f"✅ <b>Wikipedia başarılı</b> ({elapsed:.2f}s)")
	wiki_preview = wiki_text[:200] + "..." if len(wiki_text) > 200 else wiki_text
	current_logs.append(f"<div style='margin-left:20px; border-left:2px solid #007bff; padding-left:10px; color:#555;'>🌐 <b>Wiki:</b> {wiki_preview}</div>")
	else:
	current_logs.append(f"❌ <b>Wikipedia boş döndü</b> ({elapsed:.2f}s)")
	except Exception as e:
	elapsed = time.time() - start_time
	current_logs.append(f"❌ <b>Wikipedia hatası</b> ({elapsed:.2f}s): {str(e)[:100]}")
	wiki_text = None

	yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]

	if wiki_text and IS_LLM_ENABLED:
	try:
	current_logs.append(f"🧠 <b>Qwen LLM analizi başlatılıyor:</b> '{word}' (Bu işlem biraz zaman alabilir...)")
	yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], r["Nihai Etiket"], r["Kaynak"]] for r in final_results]

	new_label, cot_text = refine_label_with_llm(word, text, wiki_text, custom_labels)

	cot_preview = cot_text[:300] + "..." if len(cot_text) > 300 else cot_text
	current_logs.append(f"🧠 <b>LLM Çıktısı:</b> {cot_preview}")

	res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": new_label, "Kaynak": "RAG+LLM"}
	current_logs.append(f"🏷️ <b>Nihai Etiket:</b> {new_label}")

	except Exception as e:
	error_msg = str(e)[:100]
	current_logs.append(f"❌ <b>LLM analiz hatası:</b> {error_msg}")
	res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": f"Hata: {error_msg}"}
	else:
	if not wiki_text:
	res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
	current_logs.append(f"⚠️ '{word}' için Wikipedia bilgisi olmadığından MISC olarak etiketlendi.")
	else:
	res = {"Varlık": word, "İlk Etiket": label, "Nihai Etiket": "MISC", "Kaynak": "Model"}
	current_logs.append(f"⚠️ LLM aktif değil, '{word}' MISC olarak etiketlendi.")

	final_results.append(res)
	table_display = [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]
	yield "<br>".join(current_logs), table_display

	current_logs.append("✨ <b>Analiz Tamamlandı.</b>")
	yield "<br>".join(current_logs), [[r["Varlık"], r["İlk Etiket"], f"<b>{r['Nihai Etiket']}</b>", r["Kaynak"]] for r in final_results]

	# --- 5. DEBUG FONKSİYONLARI ---

	def debug_wikipedia():
	result = test_wikipedia_connection()
	return f"<pre style='background:#f4f4f4;padding:10px;border-radius:5px;font-family:monospace;font-size:12px;'>{result}</pre>"

	def test_single_term(term):
	if not term:
	return "Lütfen bir terim girin."

	logs = [f"🔍 '{term}' için Türkçe Wikipedia testi"]
	logs.append("="*50)

	try:
	result = get_wiki_summary(term)
	if result:
	logs.append(f"✅ SONUÇ: {result}")
	else:
	logs.append(f"❌ Sonuç bulunamadı")
	except Exception as e:
	logs.append(f"❌ Hata: {str(e)}")

	return "\n".join(logs)

	def check_llm_status():
	global IS_LLM_ENABLED, llm_model, model_id

	logs = ["=== Qwen LLM DURUM KONTROLÜ ==="]
	logs.append(f"LLM Aktif: {IS_LLM_ENABLED}")
	logs.append(f"Model: {model_id}")

	if llm_model is not None:
	try:
	device = next(llm_model.parameters()).device
	dtype = next(llm_model.parameters()).dtype
	logs.append(f"Device: {device}")
	logs.append(f"Dtype: {dtype}")
	logs.append(f"CUDA Kullanılabilir: {torch.cuda.is_available()}")
	logs.append(f"Model Boyutu: {sum(p.numel() for p in llm_model.parameters()):,} parametre")
	except Exception as e:
	logs.append(f"Device kontrol hatası: {str(e)}")
	else:
	logs.append("❌ Model yüklenmemiş!")

	return "\n".join(logs)

	# --- 6. GRADIO ARAYÜZÜ ---

	with gr.Blocks(title="RAG-NER Uzman Karar Destek Sistemi") as demo:
	gr.Markdown("# 🚀 RAG-NER Uzman Karar Destek Sistemi (Türkçe Wikipedia + Qwen)")
	gr.Markdown(f"LLM Modeli: {model_id}")

	with gr.Tab("Metin Analizi"):
	input_text = gr.Textbox(
	label="Analiz Edilecek Metin",
	placeholder="Analiz etmek istediğiniz metni buraya girin...",
	lines=3
	)

	examples_list = [
	["Türk yönetmen Nuri Bilge Ceylan, Venedik Film Festivali'nde Altın Aslan ödülünü kazandığı Kış Uykusu filmiyle uluslararası üne kavuştu."],
	["Amerikalı yazar George Orwell'in ünlü kitabı 1984, Apple şirketinin Macintosh tanıtım reklamında ilham kaynağı olarak kullanılmış ve Windows işletim sistemine karşı bir metafor haline gelmişti."],
	["Fransız oyuncu Marion Cotillard, Christopher Nolan'ın Inception filmiyle Oscar ödülüne aday gösterilmiş ve daha önce La Vie en Rose performansıyla En İyi Kadın Oyuncu Akademi Ödülü'nü kazanmıştı."]
	]

	gr.Examples(
	examples=examples_list,
	inputs=input_text,
	label="Hazır Örnek Senaryolar"
	)

	with gr.Row():
	log_output = gr.HTML(label="Sistem Günlüğü")
	table_output = gr.Dataframe(
	headers=["Varlık", "İlk Etiket", "Nihai Etiket", "Kaynak"],
	datatype="markdown",
	wrap=True
	)

	btn = gr.Button("Analiz Et", variant="primary")
	btn.click(
	process_ner,
	inputs=input_text,
	outputs=[log_output, table_output]
	)

	with gr.Tab("Debug"):
	gr.Markdown("## 🐛 Debug Paneli")

	gr.Markdown("### 🌐 Türkçe Wikipedia Testi")
	with gr.Row():
	debug_btn = gr.Button("Wikipedia Bağlantısını Test Et", variant="secondary")
	debug_output = gr.HTML(label="Debug Sonuçları")
	debug_btn.click(debug_wikipedia, outputs=debug_output)

	gr.Markdown("### 🔍 Tek Terim Testi")
	with gr.Row():
	single_term_input = gr.Textbox(
	label="Test Edilecek Terim",
	placeholder="Örn: Türk, Venedik Film Festivali, Altın Aslan",
	scale=3
	)
	single_term_btn = gr.Button("Test Et", variant="secondary", scale=1)

	single_term_output = gr.Textbox(
	label="Sonuç",
	lines=15,
	interactive=False
	)
	single_term_btn.click(test_single_term, inputs=single_term_input, outputs=single_term_output)

	gr.Markdown("### 🧠 Qwen LLM Durum Kontrolü")
	with gr.Row():
	llm_status_btn = gr.Button("Qwen Durumunu Kontrol Et", variant="secondary")
	llm_status_output = gr.Textbox(
	label="Qwen Durumu",
	lines=8,
	interactive=False
	)
	llm_status_btn.click(check_llm_status, outputs=llm_status_output)

	# --- 7. BAŞLATMA ---

	if __name__ == "__main__":
	print("\n" + "="*50)
	print("🚀 SİSTEM BAŞLATILIYOR...")
	print("="*50)

	print("\n📡 Türkçe Wikipedia bağlantısı test ediliyor...")
	test_result = test_wikipedia_connection()
	print(test_result)

	print("\n🧠 Qwen LLM durumu kontrol ediliyor...")
	print(check_llm_status())

	print("\n" + "="*50)
	print("✅ Sistem hazır, Gradio başlatılıyor...")
	print("="*50 + "\n")

	demo.launch(
	auth=("admin", "1113"),
	auth_message="Lütfen uzman paneline erişmek için giriş yapın.",
	debug=True,
	share=True
	)