Initial commit of app.py for web-based license plate detection using Gradio

🔍 Persian License Plate Detection - Web Interface (app.py)
This Python script provides a complete web-based interface for detecting Iranian vehicle license plates using a custom-trained YOLO model via Gradio.

✅ Key Features:
Model: YOLOv5-based (persian_license_plate_v1.pt) trained to detect Iranian license plates.

Frameworks used: Gradio (UI), Ultralytics YOLO, PyTorch, OpenCV.

Interface: Clean, user-friendly layout with drag-and-drop support and example image loading.

Automatic fallback: If the custom model is unavailable, a default YOLOv8n model is loaded to ensure the app still runs.

🧠 How It Works:
Image Upload: Users can upload an image of a car or choose from example images.

Model Inference: The script runs YOLO on the input image and detects license plates.

Bounding Box Drawing: A green box is drawn around each detected license plate, with the class label (license_plate) and confidence score.

Real-time Output: The processed image is shown alongside the original.

📁 Folder Structure:
persian_license_plate_v1.pt: Trained model file.

Persian_License_Plate_Images/: A folder containing example images used in the UI.

app.py: This main script running the Gradio app.

💡 Notes:
The model is trained specifically for Iranian license plates (green bounding box).

Best performance is achieved when the plate is clearly visible and well-lit.

app.py

@@ -0,0 +1,145 @@
+import os
+# این خط باید قبل از هرگونه import از torch یا ultralytics باشد
+os.environ['PYTORCH_WEIGHTS_ONLY'] = 'false'
+
+import gradio as gr
+from ultralytics import YOLO
+import cv2
+import numpy as np
+from PIL import Image
+
+# --- 1. Load the Model ---
+# توجه: نام مدل به چیزی که برای تشخیص پلاک آموزش داده‌اید تغییر کرده است.
+# مطمئن شوید که فایل 'persian_license_plate_v1.pt' در کنار این اسکریپت وجود دارد.
+try:
+    model = YOLO("persian_license_plate_v1.pt")
+except Exception as e:
+    print(f"Error loading model: {e}")
+    # در صورت عدم وجود مدل، یک مدل پیش‌فرض یولو بارگذاری می‌شود تا برنامه اجرا شود
+    model = YOLO("yolov8n.pt")
+
+
+# --- 2. Define Class Names ---
+# برای این پروژه، ما فقط یک کلاس "پلاک خودرو" داریم.
+class_names = ['license_plate']
+# برای هر کلاس یک رنگ تعریف می‌کنیم (در اینجا فقط یک رنگ لازم است).
+class_colors = [(0, 255, 0)] # رنگ سبز برای پلاک
+
+# --- 3. Main Image Processing Function (Core logic unchanged) ---
+def detect_license_plate(input_image: Image.Image):
+    """
+    This function takes an input image, detects a license plate,
+    draws a bounding box around it, and returns the result.
+    """
+    if input_image is None:
+        return None
+    
+    # اجرای مدل روی تصویر ورودی
+    results = model(input_image, verbose=False)[0]
+    
+    # تبدیل تصویر ورودی به فرمت مناسب برای پردازش با OpenCV
+    img_np = np.array(input_image.convert("RGB"))
+    img_copy = img_np.copy()
+
+    # بررسی اینکه آیا باکسی تشخیص داده شده است یا خیر
+    if results.boxes is not None:
+        boxes = results.boxes.data.cpu().numpy()
+
+        for box in boxes:
+            cls_id = int(box[5])
+            # اگر کلاس تشخیص داده شده در لیست کلاس‌های ما بود، آن را پردازش کن
+            if cls_id < len(class_names):
+                cls_name = class_names[cls_id]
+                color = class_colors[cls_id]
+                
+                # استخراج مختصات کادر
+                x1, y1, x2, y2 = map(int, box[:4])
+                
+                # رسم کادر دور پلاک
+                cv2.rectangle(img_copy, (x1, y1), (x2, y2), color, 3)
+                
+                # آماده‌سازی و نوشتن لیبل (نام کلاس و امتیاز اطمینان)
+                label = f"{cls_name} {box[4]:.2f}"
+                cv2.putText(img_copy, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, color, 2)
+
+    return Image.fromarray(img_copy)
+
+# --- 4. Dynamically Read Examples from a Folder ---
+# نام فولدر به نامی مرتبط با پروژه تغییر کرده است.
+examples_folder = "Persian_License_Plate_Images"
+examples_list = []
+try:
+    all_files_in_folder = os.listdir(examples_folder)
+    # فیلتر کردن فایل‌ها برای اطمینان از اینکه فقط تصاویر خوانده می‌شوند
+    image_extensions = ['.jpg', '.jpeg', '.png', '.bmp']
+    image_files = [f for f in all_files_in_folder if os.path.splitext(f)[1].lower() in image_extensions]
+    for filename in image_files:
+        full_path = os.path.join(examples_folder, filename)
+        examples_list.append(full_path)
+except FileNotFoundError:
+    print(f"Warning: Folder '{examples_folder}' not found. No examples will be shown.")
+except Exception as e:
+    print(f"An error occurred while reading examples: {e}")
+
+# ===================================================================
+# --- Key Section: Building the Custom Layout with gr.Blocks ---
+# ===================================================================
+
+# راهنمای متنی که برای پروژه تشخیص پلاک بازنویسی شده است.
+guide_html = """
+<hr>
+<div style="text-align: center;">
+  <h3>🚗 Iranian License Plate Detection Guide 🇮🇷</h3>
+  <p>
+    This model is trained to detect and draw a box around <strong>standard Iranian vehicle license plates</strong>.
+    Upload your image, and the model will automatically identify the plate's location.
+  </p>
+  <div style="display: flex; justify-content: center; align-items: center; gap: 20px; margin-top: 15px;">
+    <div style="padding: 10px; border: 1px solid #4CAF50; border-radius: 8px; background-color: #f2fff2;">
+      <strong style="color: #005704;">🟩 License Plate</strong><br>
+      <em>
+        The green bounding box indicates the detected location of the license plate, along with the model's confidence score.
+      </em>
+    </div>
+  </div>
+  <br>
+  <p><strong>Note:</strong> For best results, use clear images where the license plate is easily readable.</p>
+</div>
+"""
+
+# شروع تعریف بلوک���های رابط کاربری
+with gr.Blocks(theme=gr.themes.Soft(primary_hue="green")) as demo:
+    # ۱. عنوان اصلی و توضیحات اولیه
+    gr.Markdown("<h1 style='text-align: center;'>Persian License Plate Detection</h1>")
+    gr.Markdown(
+        "**Welcome!** Upload an image of a vehicle or click on one of the examples below. "
+        "The model will draw a green bounding box around the license plate and show the predicted class (`license_plate`)."
+    )
+    
+    # ۲. چیدمان ورودی و خروجی در کنار هم
+    with gr.Row():
+        input_image = gr.Image(type="pil", label="Upload Vehicle Image")
+        output_image = gr.Image(type="pil", label="Processed Image with Detected Plate")
+    
+    # ۳. دکمه برای ارسال تصویر
+    submit_btn = gr.Button("🔍 Detect License Plate")
+
+    # ۴. بخش نمونه‌ها
+    if examples_list:
+        gr.Examples(
+            examples=examples_list,
+            inputs=input_image,
+            outputs=output_image,
+            fn=detect_license_plate,
+            cache_examples=True,
+        )
+
+    # ۵. متن راهنمای کلاس‌ها که در پایین صفحه قرار می‌گیرد
+    gr.Markdown(guide_html)
+    
+    # تعریف عملکرد دکمه: وقتی کلیک شد، تابع پردازش را با ورودی و خروجی مناسب اجرا کن
+    submit_btn.click(fn=detect_license_plate, inputs=input_image, outputs=output_image)
+
+# اجرای برنامه
+if __name__ == "__main__":
+    demo.launch(share=True)