import os
import sys

import cv2
import gradio as gr
import numpy as np
from git import Repo
from huggingface_hub import hf_hub_download

# ----------------------------------------------------
# 1) تحميل مشروع YOLO11_EfficientNet من GitHub
#    (نفس الشيء الذي فعلته في كولاب)
# ----------------------------------------------------
REPO_DIR = "YOLO11_EfficientNet"
REPO_URL = "https://github.com/JYe9/YOLO11_EfficientNet.git"

if not os.path.exists(REPO_DIR):
    Repo.clone_from(REPO_URL, REPO_DIR)

# إضافة المسار في sys.path حتى نستورد ultralytics من داخل المشروع
sys.path.insert(0, os.path.abspath(REPO_DIR))

from ultralytics import YOLO  # الآن هذه من داخل الريبو، وليس من pip


# ----------------------------------------------------
# 2) تحميل وزن الموديل best.pt من Hugging Face Hub
#    azizasyd/yolov11-el-fault-detector
# ----------------------------------------------------
weights_path = hf_hub_download(
    repo_id="azizasyd/yolov11-el-fault-detector",
    filename="best.pt"
)

model = YOLO(weights_path)  # نفس ما عملت في الكولاب تماما


# ----------------------------------------------------
# 3) دالة تحليل صورة واحدة (مثل analyze_single_image في كولاب)
#    Gradio سيستدعي هذه الدالة
# ----------------------------------------------------
def analyze_image(image, conf_threshold):
    """
    image: صورة EL-PV من المستخدم (numpy, RGB)
    conf_threshold: عتبة الثقة
    """
    if image is None:
        return None, "No image uploaded."

    # Gradio يعطي الصورة RGB، نحول إلى BGR لاستخدام OpenCV/YOLO
    img_bgr = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    h, w = img_bgr.shape[:2]
    image_area = w * h if w > 0 and h > 0 else 1

    # تشغيل الموديل بنفس منطق الكولاب
    results = model(img_bgr, conf=float(conf_threshold))
    res = results[0]

    # لو ما في أي بوكسات (لا يوجد عيوب)
    if len(res.boxes) == 0:
        text = "No defects detected ✅"
        return image, text

    total_defect_area = 0.0
    defects_lines = []

    # حساب مساحة كل عيب وتجميع المعلومات
    for box in res.boxes:
        x1, y1, x2, y2 = box.xyxy[0].tolist()
        cls_id = int(box.cls[0])
        cls_name = model.names.get(cls_id, str(cls_id))
        conf = float(box.conf[0])

        defect_area = max(0.0, (x2 - x1)) * max(0.0, (y2 - y1))
        total_defect_area += defect_area

        defects_lines.append(
            f"{cls_name} | conf={conf:.2f} | bbox=({x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f})"
        )

    defect_ratio = total_defect_area / image_area
    defect_percent = defect_ratio * 100.0

    summary_lines = [
        f"Total defects: {len(res.boxes)}",
        f"Defect area ratio: {defect_ratio:.4f}",
        f"Defect area percent: {defect_percent:.2f} %",
        "",
        "Defects detail:",
        *defects_lines
    ]
    text_result = "\n".join(summary_lines)

    # الحصول على الصورة المعلّمة (annotated) من YOLO
    annotated_bgr = res.plot()           # BGR
    annotated_rgb = cv2.cvtColor(annotated_bgr, cv2.COLOR_BGR2RGB)

    return annotated_rgb, text_result


# ----------------------------------------------------
# 4) واجهة Gradio (الـ UI في الـ Space)
# ----------------------------------------------------
with gr.Blocks() as demo:
    gr.Markdown(
        """
        # 🔍 PV-EL Defect Detection – Fouad

        ارفع صورة EL لخلية أو لوح شمسي، وسيقوم الموديل (YOLO11_EfficientNet + best.pt من Hugging Face)
        بـ:
        - اكتشاف العيوب (black_core, crack, finger, horizontal_dislocation, short_circuit, star_crack, thick_line)
        - حساب نسبة مساحة الخلل من مساحة الصورة
        - إظهار عدد العيوب وأنواعها ومربعات التحديد على الصورة
        """
    )

    with gr.Row():
        with gr.Column():
            input_image = gr.Image(
                label="Upload EL-PV Image",
                type="numpy"
            )
            conf_slider = gr.Slider(
                minimum=0.0001,
                maximum=0.90,
                value=0.25,
                step=0.01,
                label="Confidence Threshold"
            )
            analyze_btn = gr.Button("Analyze")

        with gr.Column():
            output_image = gr.Image(
                label="Annotated Image (with defects)",
                type="numpy"
            )
            output_text = gr.Textbox(
                label="Defect Information",
                lines=12
            )

    analyze_btn.click(
        fn=analyze_image,
        inputs=[input_image, conf_slider],
        outputs=[output_image, output_text]
    )

demo.launch()