app.py

import gradio as gr
from transformers import TrOCRProcessor, VisionEncoderDecoderModel
from PIL import Image, ImageOps

# OCRモデルとプロセッサの準備
processor = TrOCRProcessor.from_pretrained("microsoft/trocr-base-stage1")
model = VisionEncoderDecoderModel.from_pretrained("microsoft/trocr-base-stage1")

# OCR実行関数
def ocr_image(image, invert_image):
    # チェックボックスがオンなら画像を反転
    if invert_image:
        image = ImageOps.mirror(image)
    
    # 画像をモデルに入力し、文字起こしを実行
    pixel_values = processor(images=image, return_tensors="pt").pixel_values
    generated_ids = model.generate(pixel_values)
    generated_text = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
    return generated_text

# Gradioインターフェースの構築
interface = gr.Interface(
    fn=ocr_image,                               # 実行関数
    inputs=[
        gr.Image(type="pil"),                   # カメラからの画像入力
        gr.Checkbox(label="画像を反転")          # 画像反転のチェックボックス
    ],
    outputs="text",                             # 出力形式（テキスト）
    live=False                                  # リアルタイム処理を無効化
)

# 実行ボタンの設定
interface.launch()