"""
학습된 모델로 추론 (예측) 테스트
- 단일 이미지 또는 폴더 예측
- 결과 시각화 및 저장
"""

from ultralytics import YOLO
from pathlib import Path
import cv2
import matplotlib.pyplot as plt
from PIL import Image
import numpy as np


def predict_image(model_path, image_path, conf=0.25, save=True, show=False):
    """
    이미지 예측

    Args:
        model_path: 모델 경로
        image_path: 이미지 경로
        conf: 신뢰도 임계값 (0.0 ~ 1.0)
        save: 결과 저장 여부
        show: 결과 표시 여부
    """

    print("=" * 60)
    print("이미지 예측")
    print("=" * 60)

    # 모델 로드
    print(f"모델 로드: {model_path}")
    model = YOLO(model_path)

    # 예측
    print(f"이미지: {image_path}")
    print(f"신뢰도 임계값: {conf}")

    results = model.predict(
        source=image_path,
        save=save,
        conf=conf,
        iou=0.7,
        show_labels=True,
        show_conf=True,
        line_width=2,
    )

    # 결과 분석
    for r in results:
        print(f"\n탐지 결과:")
        print(f"  이미지 크기: {r.orig_shape}")
        print(f"  탐지된 객체 수: {len(r.boxes)}")

        if len(r.boxes) > 0:
            print(f"\n  {'클래스':<12} {'신뢰도':>8} {'좌표 (x, y, w, h)'}")
            print("  " + "-" * 50)

            for box in r.boxes:
                cls_id = int(box.cls[0])
                conf_val = float(box.conf[0])
                cls_name = r.names[cls_id]
                xyxy = box.xyxy[0].cpu().numpy()

                print(f"  {cls_name:<12} {conf_val:>7.2%}  "
                      f"({xyxy[0]:.0f}, {xyxy[1]:.0f}, "
                      f"{xyxy[2]-xyxy[0]:.0f}, {xyxy[3]-xyxy[1]:.0f})")
        else:
            print("  객체가 탐지되지 않았습니다.")

    # 시각화
    if show:
        for r in results:
            img = r.plot()  # BGR
            img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

            plt.figure(figsize=(12, 8))
            plt.imshow(img_rgb)
            plt.axis('off')
            plt.title(f"Detection Results (conf={conf})", fontsize=14)
            plt.tight_layout()
            plt.show()

    print("\n✅ 예측 완료!")
    if save:
        print(f"결과 저장: runs/detect/predict/")

    return results


def predict_folder(model_path, folder_path, conf=0.25, save=True):
    """
    폴더 내 모든 이미지 예측

    Args:
        model_path: 모델 경로
        folder_path: 이미지 폴더 경로
        conf: 신뢰도 임계값
        save: 결과 저장 여부
    """

    print("=" * 60)
    print("폴더 예측")
    print("=" * 60)

    # 모델 로드
    model = YOLO(model_path)

    # 이미지 파일 찾기
    folder = Path(folder_path)
    image_files = list(folder.glob('*.[jJ][pP][gG]')) + \
                  list(folder.glob('*.[pP][nN][gG]'))

    print(f"폴더: {folder_path}")
    print(f"발견된 이미지: {len(image_files)}개")

    if len(image_files) == 0:
        print("❌ 이미지를 찾을 수 없습니다.")
        return None

    # 예측
    results = model.predict(
        source=folder_path,
        save=save,
        conf=conf,
        iou=0.7,
        show_labels=True,
        show_conf=True,
    )

    # 통계
    total_detections = sum(len(r.boxes) for r in results)

    print(f"\n예측 완료!")
    print(f"  처리한 이미지: {len(results)}개")
    print(f"  총 탐지 객체: {total_detections}개")
    print(f"  평균 객체/이미지: {total_detections/len(results):.2f}개")

    if save:
        print(f"\n결과 저장: runs/detect/predict/")

    return results


def compare_predictions(model_path, image_path, conf_levels=[0.1, 0.25, 0.5, 0.75]):
    """
    다양한 신뢰도 임계값으로 예측 비교

    Args:
        model_path: 모델 경로
        image_path: 이미지 경로
        conf_levels: 신뢰도 임계값 리스트
    """

    print("=" * 60)
    print("신뢰도 임계값 비교")
    print("=" * 60)

    model = YOLO(model_path)

    fig, axes = plt.subplots(2, 2, figsize=(16, 12))
    axes = axes.flatten()

    for i, conf in enumerate(conf_levels):
        print(f"\n신뢰도 {conf:.2f} 예측 중...")

        results = model.predict(
            source=image_path,
            conf=conf,
            save=False,
            verbose=False
        )

        for r in results:
            img = r.plot()
            img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

            axes[i].imshow(img_rgb)
            axes[i].axis('off')
            axes[i].set_title(f'Confidence = {conf} ({len(r.boxes)} objects)',
                             fontsize=12, fontweight='bold')

    plt.tight_layout()
    plt.savefig('confidence_comparison.png', dpi=150, bbox_inches='tight')
    print("\n✅ 비교 결과 저장: confidence_comparison.png")
    plt.show()


if __name__ == '__main__':
    import sys

    # 기본 모델 경로
    default_model = 'waste_classification/yolov8n_5class/weights/best.pt'

    print("=" * 60)
    print("YOLO 추론 테스트")
    print("=" * 60)

    # 모델 경로
    if len(sys.argv) > 1:
        model_path = sys.argv[1]
    else:
        print(f"\n모델 경로 (엔터: {default_model}):")
        user_input = input().strip()
        model_path = user_input if user_input else default_model

    if not Path(model_path).exists():
        print(f"❌ 모델을 찾을 수 없습니다: {model_path}")
        sys.exit(1)

    # 이미지 경로
    if len(sys.argv) > 2:
        image_path = sys.argv[2]
    else:
        default_image = 'data/batch_1/000006.jpg'
        print(f"이미지 경로 (엔터: {default_image}):")
        user_input = input().strip()
        image_path = user_input if user_input else default_image

    if not Path(image_path).exists():
        print(f"❌ 이미지를 찾을 수 없습니다: {image_path}")
        sys.exit(1)

    # 예측 실행
    print("\n작업 선택:")
    print("  1. 단일 이미지 예측")
    print("  2. 폴더 예측")
    print("  3. 신뢰도 비교")

    choice = input("선택 (1/2/3, 엔터: 1): ").strip() or '1'

    if choice == '1':
        predict_image(model_path, image_path, conf=0.25, save=True, show=True)
    elif choice == '2':
        folder = Path(image_path).parent if Path(image_path).is_file() else image_path
        predict_folder(model_path, folder, conf=0.25, save=True)
    elif choice == '3':
        compare_predictions(model_path, image_path)
    else:
        print("잘못된 선택입니다.")