app.py

import re
import torch
import gradio as gr
from transformers import AutoModel, AutoTokenizer, AutoModelForSequenceClassification
from PIL import Image, ImageEnhance, ImageOps
import torchvision.transforms as T

# ===================== CONFIG =====================
VINTERN_PATH = "5CD-AI/Vintern-1B-v3_5"
PHOBERT_PATH = "DuyKien016/phobert-scam-detector"

# ===================== LOAD MODELS =====================
print("🔄 Loading Vintern model...")
vintern_model = AutoModel.from_pretrained(
    VINTERN_PATH,
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto",
    low_cpu_mem_usage=True
).eval()
vintern_tokenizer = AutoTokenizer.from_pretrained(
    VINTERN_PATH,
    trust_remote_code=True
)
print("✅ Vintern loaded.")

print("🔄 Loading PhoBERT model...")
phobert_tokenizer = AutoTokenizer.from_pretrained(PHOBERT_PATH, use_fast=False)
phobert_model = AutoModelForSequenceClassification.from_pretrained(PHOBERT_PATH).eval().to(
    "cuda" if torch.cuda.is_available() else "cpu"
)
print("✅ PhoBERT loaded.")

# ===================== FUNCTIONS =====================
def ocr_vintern(image):
    img = image.convert("RGB")
    max_size = (448, 448)
    img.thumbnail(max_size, Image.Resampling.LANCZOS)
    img = ImageOps.pad(img, max_size, color=(255, 255, 255))
    img = ImageEnhance.Contrast(img).enhance(1.5)

    transform = T.Compose([
        T.ToTensor(),
        T.Normalize(mean=[0.485, 0.456, 0.406],
                    std=[0.229, 0.224, 0.225])
    ])
    pixel_values = transform(img).unsqueeze(0).to(vintern_model.device)

    prompt = """
    <image>
    Hãy đọc nội dung trong ảnh chụp màn hình tin nhắn và xuất ra kết quả **chỉ** gồm các tin nhắn.

    📌 Quy tắc:
    1. Mỗi ô chat = 1 tin nhắn.
    2. Không giữ lại thời gian, tên người, emoji, icon hệ thống.
    3. Chỉ có văn bản thuần.
    4. Không thêm bình luận hoặc giải thích.

    📋 Định dạng:
    Tin nhắn 1: ...
    Tin nhắn 2: ...
    Tin nhắn 3: ...
    """

    response, _ = vintern_model.chat(
        tokenizer=vintern_tokenizer,
        pixel_values=pixel_values,
        question=prompt,
        generation_config=dict(max_new_tokens=1024, do_sample=False, num_beams=3),
        history=None,
        return_history=True
    )

    messages = re.findall(r"Tin nhắn \d+: (.+?)(?=\nTin nhắn|\Z)", response, re.S)
    cleaned_messages = [re.sub(r"\s+", " ", msg.strip()) for msg in messages if msg.strip()]
    return cleaned_messages

def predict_phobert(texts):
    results = []
    for text in texts:
        encoded = phobert_tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=256)
        encoded = {k: v.to(phobert_model.device) for k, v in encoded.items()}

        with torch.no_grad():
            logits = phobert_model(**encoded).logits
            probs = torch.softmax(logits, dim=1).squeeze()
            label = torch.argmax(probs).item()

        results.append({
            "text": text,
            "prediction": "LỪA ĐẢO" if label == 1 else "BÌNH THƯỜNG",
            "confidence": f"{probs[label]*100:.2f}%"
        })
    return results

# ===================== GRADIO INTERFACE =====================
def detect(image, text):
    if image is not None:
        extracted_texts = ocr_vintern(image)
        if not extracted_texts:
            return "❌ Không đọc được nội dung từ ảnh"
        results = predict_phobert(extracted_texts)
    elif text.strip() != "":
        results = predict_phobert([text])
    else:
        return "⚠️ Vui lòng nhập văn bản hoặc tải ảnh"

    output_str = "\n".join([f"{r['text']} → {r['prediction']} ({r['confidence']})" for r in results])
    return output_str

demo = gr.Interface(
    fn=detect,
    inputs=[
        gr.Image(type="pil", label="Tải ảnh tin nhắn"),
        gr.Textbox(label="Hoặc nhập văn bản")
    ],
    outputs=gr.Textbox(label="Kết quả"),
    title="🛡️ Bộ phát hiện lừa đảo",
    description="Nhập văn bản hoặc tải ảnh chụp màn hình tin nhắn để kiểm tra."
)

if __name__ == "__main__":
    demo.launch()