First try

Dockerfile

@@ -1,7 +1,9 @@
 #Imagem base
 FROM python:3.10
 
+#Variáveis de Ambiente para Caches
 ENV HUGGINGFACE_HUB_CACHE="/tmp/huggingface"
+ENV NUMBA_CACHE_DIR="/tmp/numba_cache"
 
 #Define um diretório de trabalho limpo
 WORKDIR /app

main.py

@@ -1,24 +1,18 @@
 import os
 import shutil
+import joblib  # <-- Importa o joblib
+import numpy as np # <-- Importa o numpy
 from fastapi import FastAPI, File, UploadFile, Depends, HTTPException, status
 from fastapi.security import HTTPBearer, HTTPAuthorizationCredentials
-from feature_extractor_single import process_single_image
+from feature_extractor_single import process_single_image # Esta é a extração do ConvNext
 
-#Configuração da aplicação
-app = FastAPI(title="SojaFeatExtractorAPI")
-
-#Autenticação ---
+#1. CONFIGURAÇÃO DA APLICAÇÃO E AUTENTICAÇÃO
+app = FastAPI(title="SojaClassifierAPI")
 security = HTTPBearer()
-
-#1. Lê o Token Secreto da Variável de Ambiente
-#No teste local, vamos injetar isso com 'docker run -e ...'
-#No Hugging Face, vamos usar os "Secrets"
 API_SECRET_TOKEN = os.environ.get("API_SECRET_TOKEN")
 
 if API_SECRET_TOKEN is None:
     print("AVISO: Variável de ambiente API_SECRET_TOKEN não definida.")
-    #Podemos lançar um erro aqui se não quisermos que a app inicie sem um token
-    #raise ValueError("API_SECRET_TOKEN não pode ser nula")
 
 async def verify_token(credentials: HTTPAuthorizationCredentials = Depends(security)):
     """Verifica se o token enviado pelo cliente é o correto."""
@@ -27,7 +21,6 @@ async def verify_token(credentials: HTTPAuthorizationCredentials = Depends(secur
             status_code=status.HTTP_500_INTERNAL_SERVER_ERROR,
             detail="Token de segurança não configurado no servidor",
         )
-
     if credentials.scheme != "Bearer" or credentials.credentials != API_SECRET_TOKEN:
         raise HTTPException(
             status_code=status.HTTP_401_UNAUTHORIZED,
@@ -35,35 +28,81 @@ async def verify_token(credentials: HTTPAuthorizationCredentials = Depends(secur
             headers={"WWW-Authenticate": "Bearer"},
         )
     return credentials.credentials
-#Fim da Autenticação
+
+#2. CARREGAMENTO DOS MODELOS DE CLASSIFICAÇÃO (ML)
+#Carrega os 4 arquivos .pkl UMA VEZ quando a API inicia.
+print("Carregando modelos de classificação (.pkl)...")
+try:
+    SCALER = joblib.load('scaler.pkl')
+    UMAP = joblib.load('umap_reducer.pkl')
+    SVM = joblib.load('svm_model.pkl')
+    ENCODER = joblib.load('encoder.pkl')
+    print("Modelos de classificação carregados com sucesso.")
+except FileNotFoundError:
+    print("ERRO: Arquivos .pkl do modelo não encontrados. Certifique-se de que 'scaler.pkl', 'umap_reducer.pkl', 'svm_model.pkl', e 'encoder.pkl' estão no repositório.")
+    #Em um cenário real, poderíamos impedir a API de iniciar aqui
+
+#3. ENDPOINTS DA API
+
+@app.post("/classify/")
+async def classify_image(file: UploadFile = File(...), token: str = Depends(verify_token)):
+    """
+    Endpoint principal: Recebe uma imagem, extrai features e classifica.
+    """
+    temp_path = f"/tmp/temp_{file.filename}"
+
+    #Salva a imagem temporariamente
+    try:
+        with open(temp_path, "wb") as buffer:
+            shutil.copyfileobj(file.file, buffer)
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Erro ao salvar arquivo: {e}")
+
+    try:
+        #Extrai Features (ConvNext - 1536 dimensões)
+        #(process_single_image vem do seu feature_extractor_single.py)
+        features_array = process_single_image(temp_path)
+        
+        #Prepara o vetor para o Scikit-learn
+        #O sklearn espera um array 2D (1, 1536) e não (1536,)
+        nova_feature = features_array.reshape(1, -1)
+
+        #Executa o Pipeline de Classificação (a lógica do seu notebook)
+        #Normaliza a nova feature com o mesmo scaler usado no treino
+        nova_feature_scaled = SCALER.transform(nova_feature)
+
+        #Reduz usando o mesmo UMAP já treinado
+        nova_feature_umap = UMAP.transform(nova_feature_scaled)
+
+        #Faz a predição
+        pred_numerica = SVM.predict(nova_feature_umap)
+        
+        #Converte a predição numérica (ex: 2) de volta para o nome da classe (ex: "Ferrugem")
+        classe_predita = ENCODER.inverse_transform(pred_numerica)[0]
+
+        return {"diagnostico": classe_predita}
+
+    except Exception as e:
+        #Pega qualquer erro que acontecer durante a extração ou classificação
+        raise HTTPException(status_code=500, detail=f"Erro no processamento: {e}")
+    
+    finally:
+        #Remove a imagem temporária, aconteça o que acontecer
+        if os.path.exists(temp_path):
+            os.remove(temp_path)
 
 
 @app.post("/extract_features/")
-#2. Adiciona 'Depends(verify_token)' para proteger endpoint
 async def extract_features(file: UploadFile = File(...), token: str = Depends(verify_token)):
     """
-    Endpoint que recebe uma imagem, valida o token 
-    e retorna vetor de características extraído.
+    Endpoint de debug: Apenas extrai as features sem classificar.
     """
-    #A única pasta em um contêiner Docker que tem permissão de escrita garantida é a pasta /tmp
-    #Precisamos direcionar todos os arquivos temporários para lá
     temp_path = f"/tmp/temp_{file.filename}"
-
     with open(temp_path, "wb") as buffer:
         shutil.copyfileobj(file.file, buffer)
 
-    features_array = process_single_image(temp_path, output_dir="/tmp")
-    
-    #Remove imagem temporária
+    features_array = process_single_image(temp_path)
     os.remove(temp_path)
 
-    #Converte o array Numpy (ex: (1536,)) em uma lista Python padrão
     features_list = features_array.tolist()
-
-    #Retorna o vetor de features REAL no JSON
-    return {"features": features_list}
-
-@app.get("/health", status_code=status.HTTP_200_OK)
-async def health_check():
-    """Endpoint simples para verificar se a API está no ar."""
-    return {"status": "ok"}
+    return {"features": features_list}

requirements.txt

@@ -9,7 +9,6 @@ torchvision==0.17.2+cpu
 -f https://download.pytorch.org/whl/torch_stable.html
 
 transformers==4.39.3
-pretrainedmodels
 
 #Processamento de imagem
 pillow==10.3.0
@@ -21,8 +20,4 @@ umap-learn==0.5.6
 joblib==1.4.2
 
 #Utilitários gerais
-requests==2.32.3
-timm
-tdqm
-seaborn==0.13.2
-matplotlib==3.8.4
+requests==2.32.3