Déploiement automatique depuis GitLab CI

config.py

@@ -1,13 +1,24 @@
-# Définition de la séparation de la Timeseries en Train et Test sets pour les différents modèles de prédiction
-YEAR_THRESHOLD = 2009
+# ========================================================================
+# Paramètres pour le modèle
+# ========================================================================
 
 # Colonnes attendues par le modèle (features brutes)
 FEATURE_COLUMNS = ["Area", "Item", "Year", "average_rain_fall_mm_per_year", "pesticides_tonnes", "avg_temp"]
 TARGET_COLUMN = "hg/ha_yield"
 
+# Définition de la séparation de la Timeseries en Train et Test sets pour les différents modèles de prédiction
+YEAR_THRESHOLD = 2009
+
 # Chemin relatif vers le modèle MLflow (pipeline sklearn complet avec préprocesseur)
 MODEL_REL_PATH = "5_Notebooks/mlruns/2/models/m-7d0b2bca11e140be907efb132e749af8/artifacts"
 
-# Chemin relatif vers le fichier d'entraînement nettoyé
-DATA_REL_PATH = "2_Data_transformed/crop_yield_2_train_set_simplified.csv"
+# ========================================================================
+# Paramètres pour les services (Frontend et Backend)
+# ========================================================================
 
+# URLs des services pour le frontend (Streamlit) et le backend (API - Streamlit)
+DEFAULT_FRONTEND_URL = "https://cedm-oc-mlops-projet-4-dashboard.hf.space"
+DEFAULT_API_URL = "https://cedm-oc-mlops-projet-4-api.hf.space"
+
+# Chemin relatif vers le fichier d'entraînement nettoyé
+DATA_REL_PATH = "2_Data_transformed/crop_yield_2_train_set_simplified.csv"

main.py

@@ -19,7 +19,7 @@ from dotenv import load_dotenv
 from fastapi import FastAPI, HTTPException
 from pydantic import BaseModel, Field
 
-from config import FEATURE_COLUMNS, TARGET_COLUMN, MODEL_REL_PATH, DATA_REL_PATH
+from config import FEATURE_COLUMNS, TARGET_COLUMN, MODEL_REL_PATH, DATA_REL_PATH, DEFAULT_FRONTEND_URL
 
 # Charger les variables d'environnement depuis .env
 load_dotenv()
@@ -40,8 +40,8 @@ logfire.configure(
 
 BASE_DIR = os.path.dirname(os.path.abspath(__file__))
 
-# URL du frontend à reveiller toutes les 12h (définie via variable d'environnement)
-FRONTEND_URL = os.environ.get("FRONTEND_URL", "https://huggingface.co/spaces/CedM/oc_mlops_projet_4_dashboard")
+# URL du frontend à réveiller toutes les 12h (variable d'env prioritaire, sinon valeur de config.py)
+FRONTEND_URL = os.environ.get("FRONTEND_URL", DEFAULT_FRONTEND_URL)
 
 # Chemin vers le modèle MLflow (pipeline sklearn complet avec préprocesseur)
 MODEL_PATH = os.path.join(BASE_DIR, MODEL_REL_PATH)