import streamlit as st
import numpy as np
import cv2
import tempfile
from gradio_client import Client
from PIL import Image

# Инициализация клиента для нового API
client = Client("https://pragnakalp-ocr-image-to-text.hf.space/--replicas/lhzf3/")
result = client.predict(
		PaddleOCR,	# Literal[PaddleOCR, EasyOCR, KerasOCR]  in 'Method' Radio component
		https://raw.githubusercontent.com/gradio-app/gradio/main/test/test_files/bus.png,	# filepath  in 'img' Image component
							api_name="/predict"
)
print(result)

# Заголовок приложения
st.title("Video Frame to Image Description")

# Загрузка видеофайла
uploaded_file = st.file_uploader("Upload a video file", type=["mp4", "avi", "mov"])

cap = None  # Инициализируем объект cap как None

if uploaded_file is not None:
    # Создаем временный файл для хранения видео
    tfile = tempfile.NamedTemporaryFile(delete=False)
    tfile.write(uploaded_file.read())
    
    # Захват видео
    cap = cv2.VideoCapture(tfile.name)
    length = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    
    if length > 0:
        # Выбор случайного кадра
        random_frame = np.random.randint(length)
        cap.set(cv2.CAP_PROP_POS_FRAMES, random_frame)
        ret, frame = cap.read()

        if ret:
            # Конвертация кадра OpenCV в PIL Image
            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            pil_image = Image.fromarray(frame_rgb)

            # Отображение выбранного кадра
            st.image(pil_image, caption=f"Random Frame {random_frame}")

            # Сохранение изображения в байты
            buf = tempfile.NamedTemporaryFile(suffix='.jpg', delete=False)
            pil_image.save(buf, format='JPEG')
            buf.close()

            # Отправка изображения в новый API
            try:
                result = client.predict(
                    "PaddleOCR",  # Метод для использования
                    buf.name,  # Путь к изображению
                    api_name="/predict"
                )
                description = result['data']
                st.success(f"Generated Description: {description}")
            except Exception as e:
                st.error(f"Error: Could not get a response from the model. {str(e)}")
        else:
            st.error("Error: Could not read a frame from the video.")
    else:
        st.error("Error: Video file does not contain any frames.")

# Проверяем, был ли cap создан, и только тогда освобождаем ресурсы
if cap is not None:
    cap.release()