#!/usr/bin/env python3
"""
Sign Language Recognition Inference Script (快速推理版本)
从MP4视频输入，使用 SMKD 模型直接输出 gloss 序列

注意: 这是简化版本，直接使用 SMKD 的预测输出（不经过 SLTUNET）
      如需完整的两阶段 pipeline (SMKD→SLTUNET)，请使用 inference.sh

使用方法:
    # 1. 激活环境
    conda activate signx-slt

    # 2. 运行推理
    python inference.py --video path/to/video.mp4
    python inference.py --video path/to/video.mp4 --show-probs
"""

import os
import sys
import argparse
from pathlib import Path
import numpy as np

# 检查conda环境
def check_environment():
    """检查是否在正确的conda环境中"""
    conda_env = os.environ.get('CONDA_DEFAULT_ENV', 'unknown')
    if conda_env not in ['signx-slt', 'base']:  # base 用于开发测试
        print("=" * 70)
        print("警告: 未在 signx-slt 环境中")
        print("=" * 70)
        print(f"\n当前环境: {conda_env}")
        print("\n推荐激活 signx-slt 环境:")
        print("  conda activate signx-slt")
        print("\n继续使用当前环境可能导致错误...")
        print("=" * 70)
        response = input("\n是否继续？(y/N): ")
        if response.lower() != 'y':
            sys.exit(0)

check_environment()

# 现在可以安全导入PyTorch
import torch

# 添加smkd目录到Python路径
SCRIPT_DIR = Path(__file__).parent
SMKD_DIR = SCRIPT_DIR / "smkd"
sys.path.insert(0, str(SMKD_DIR))

# 复用现有的 SignEmbedding 类来提取特征
from sign_embedder import SignEmbedding


class QuickInference:
    """
    快速推理类 - 直接使用 SMKD 模型输出 gloss

    这是简化版本，适合快速测试。完整的两阶段 pipeline 请使用 inference.sh
    """

    def __init__(self, config_path, gloss_dict_path, model_path, device='0'):
        """
        初始化推理器

        Args:
            config_path: SMKD 配置文件路径
            gloss_dict_path: gloss字典路径
            model_path: 训练好的 SMKD 模型路径
            device: GPU ID
        """
        print("\n" + "=" * 70)
        print("快速手语识别推理工具 (SMKD 直接预测)")
        print("=" * 70)
        print("\n注意: 这是简化版本，直接使用 SMKD 预测")
        print("      完整的 SMKD→SLTUNET pipeline 请使用 inference.sh\n")

        self.config_path = str(config_path)
        self.gloss_dict_path = str(gloss_dict_path)
        self.model_path = str(model_path)
        self.device = str(device)

        # 加载gloss字典
        print(f"[1/2] 加载配置")
        print(f"  配置文件: {config_path}")
        print(f"  模型路径: {model_path}")

        self.gloss_dict = np.load(gloss_dict_path, allow_pickle=True).item()

        # 创建反向字典 (id -> gloss)
        self.id_to_gloss = {}
        for gloss, (idx, _) in self.gloss_dict.items():
            self.id_to_gloss[idx] = gloss

        print(f"  词汇表大小: {len(self.gloss_dict)}")

    def infer(self, video_path, return_probs=False):
        """
        对视频进行推理

        Args:
            video_path: 视频文件路径
            return_probs: 是否返回置信度

        Returns:
            glosses: 识别出的gloss序列
            probs: 置信度（如果return_probs=True）
        """
        print(f"\n[2/2] 开始推理")
        print(f"  视频路径: {video_path}")

        if not os.path.exists(video_path):
            raise FileNotFoundError(f"视频文件不存在: {video_path}")

        # 创建临时目录存放视频信息
        import tempfile
        temp_dir = tempfile.mkdtemp()

        try:
            # 准备临时视频列表文件（InferFeeder需要文本文件）
            video_filename = os.path.basename(video_path)
            video_id = os.path.splitext(video_filename)[0]

            # 创建视频路径列表文件
            video_list_file = os.path.join(temp_dir, 'video_list.txt')
            with open(video_list_file, 'w') as f:
                f.write(os.path.abspath(video_path) + '\n')

            print(f"\n  初始化 SignEmbedding...")

            # 使用 SignEmbedding 提取特征并预测
            # 注意: SignEmbedding 本身就会调用 SMKD 模型的 forward
            embedder = SignEmbedding(
                cfg=self.config_path,
                gloss_path=self.gloss_dict_path,
                sign_video_path=video_list_file,  # 传入视频列表文件路径
                model_path=self.model_path,
                gpu_id=self.device,
                batch_size=1
            )

            print(f"  模型已加载")
            print(f"\n  推理中...")

            # 获取模型的原始输出
            model = embedder.model
            model.eval()

            glosses_all = []
            probs_all = []

            with torch.no_grad():
                for batch_idx, data in enumerate(embedder.data_loader["infer"]):
                    vid = embedder.device.data_to_device(data[0])
                    vid_lgt = embedder.device.data_to_device(data[1])

                    # 获取模型输出
                    ret_dict = model(vid, vid_lgt)

                    # 获取 logits (用于 gloss 预测)
                    if 'sequence_logits' in ret_dict:
                        logits = ret_dict['sequence_logits']  # [T, B, num_classes]
                    elif 'conv_logits' in ret_dict:
                        logits = ret_dict['conv_logits']
                    else:
                        raise KeyError("模型输出中没有找到 logits")

                    # [T, B, num_classes] -> [T, num_classes]
                    logits = logits.squeeze(1)

                    # 解码
                    glosses, probs = self._decode_output(logits, return_probs=True)
                    glosses_all.extend(glosses)
                    probs_all.extend(probs)

            print(f"  ✓ 推理完成")
            print(f"  识别出 {len(glosses_all)} 个 gloss")

            if return_probs:
                return glosses_all, probs_all
            return glosses_all

        finally:
            # 清理临时文件
            import shutil
            shutil.rmtree(temp_dir, ignore_errors=True)

    def _decode_output(self, logits, return_probs=False):
        """
        解码模型输出为gloss序列

        Args:
            logits: 模型输出 [T, num_classes]
            return_probs: 是否返回置信度

        Returns:
            glosses: gloss序列
            probs: 置信度
        """
        # 使用贪婪解码（argmax）
        pred_ids = torch.argmax(logits, dim=-1)  # [T]

        # 去除连续重复和空白标签(id=0)
        glosses = []
        probs = []
        prev_id = None

        for i, pred_id in enumerate(pred_ids):
            pred_id = pred_id.item()

            # 跳过空白标签和重复标签
            if pred_id == 0 or pred_id == prev_id:
                prev_id = pred_id
                continue

            # 获取gloss
            if pred_id in self.id_to_gloss:
                gloss = self.id_to_gloss[pred_id]
                glosses.append(gloss)

                if return_probs:
                    prob = torch.softmax(logits[i], dim=-1)[pred_id].item()
                    probs.append(prob)

            prev_id = pred_id

        if return_probs:
            return glosses, probs
        return glosses


def main():
    parser = argparse.ArgumentParser(
        description='Sign Language Recognition - 快速推理工具 (SMKD 直接预测)',
        formatter_class=argparse.RawDescriptionHelpFormatter,
        epilog='''
示例:
  # 基本推理
  python inference.py --video test.mp4

  # 显示置信度
  python inference.py --video test.mp4 --show-probs

  # 保存结果
  python inference.py --video test.mp4 --output results.txt

  # 使用其他模型
  python inference.py --video test.mp4 --model smkd/work_dir/asllrp_smkd/best_model.pt

注意:
  这是快速推理版本，直接使用 SMKD 输出（单阶段）
  完整的两阶段 pipeline (SMKD→SLTUNET) 请使用:
    ./inference.sh test.mp4
        '''
    )

    parser.add_argument(
        '--video', '-v',
        type=str,
        required=True,
        help='输入视频路径 (MP4格式)'
    )

    parser.add_argument(
        '--config', '-c',
        type=str,
        default='smkd/asllrp_baseline.yaml',
        help='SMKD 配置文件路径'
    )

    parser.add_argument(
        '--model', '-m',
        type=str,
        default='smkd/work_dir第一次训练的基线/asllrp_smkd/best_model.pt',
        help='SMKD 模型路径'
    )

    parser.add_argument(
        '--gloss-dict', '-g',
        type=str,
        default='smkd/asllrp/gloss_dict.npy',
        help='Gloss字典路径'
    )

    parser.add_argument(
        '--device', '-d',
        type=str,
        default='0',
        help='GPU设备ID (默认: 0)'
    )

    parser.add_argument(
        '--show-probs',
        action='store_true',
        help='显示每个gloss的置信度'
    )

    parser.add_argument(
        '--output', '-o',
        type=str,
        default=None,
        help='保存结果到文件'
    )

    args = parser.parse_args()

    # 转换为绝对路径
    script_dir = Path(__file__).parent
    config_path = script_dir / args.config
    model_path = script_dir / args.model
    gloss_dict_path = script_dir / args.gloss_dict

    if not model_path.exists():
        print(f"错误: 模型文件不存在: {model_path}")
        sys.exit(1)

    if not gloss_dict_path.exists():
        print(f"错误: Gloss字典不存在: {gloss_dict_path}")
        sys.exit(1)

    if not config_path.exists():
        print(f"错误: 配置文件不存在: {config_path}")
        sys.exit(1)

    # 初始化推理器
    inferencer = QuickInference(
        config_path=config_path,
        gloss_dict_path=gloss_dict_path,
        model_path=model_path,
        device=args.device
    )

    # 推理
    if args.show_probs:
        glosses, probs = inferencer.infer(args.video, return_probs=True)
    else:
        glosses = inferencer.infer(args.video, return_probs=False)
        probs = None

    # 打印结果
    print("\n" + "=" * 70)
    print("识别结果")
    print("=" * 70 + "\n")

    print(f"识别出 {len(glosses)} 个gloss:\n")

    if args.show_probs and probs:
        for i, (gloss, prob) in enumerate(zip(glosses, probs), 1):
            print(f"  {i:3d}. {gloss:30s} (置信度: {prob:.4f})")
    else:
        for i, gloss in enumerate(glosses, 1):
            print(f"  {i:3d}. {gloss}")

    print("\nGloss序列:")
    print("  " + " ".join(glosses))

    # 保存到文件
    if args.output:
        output_path = Path(args.output)
        with open(output_path, 'w', encoding='utf-8') as f:
            if args.show_probs and probs:
                for gloss, prob in zip(glosses, probs):
                    f.write(f"{gloss}\t{prob:.4f}\n")
            else:
                for gloss in glosses:
                    f.write(f"{gloss}\n")
        print(f"\n结果已保存到: {output_path}")

    print("\n" + "=" * 70)
    print("\n提示: 这是快速推理版本（SMKD 直接预测）")
    print("      完整的两阶段 pipeline 请使用: ./inference.sh")
    print("")


if __name__ == '__main__':
    main()