app.py

import gradio as gr
from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import torch
import os

# --- Chargement du modèle et du processeur ---
print("Loading model and processor...")
model_name = "google/vit-base-patch16-224"
processor = ViTImageProcessor.from_pretrained(model_name)
model = ViTForImageClassification.from_pretrained(model_name)
print("Model loaded successfully!")

def predict(image):
    """Fonction de prédiction avec gestion d'erreurs et seuil de confiance"""
    try:
        # Conversion vers RGB pour éviter les erreurs de canaux
        if image.mode != 'RGB':
            image = image.convert('RGB')
        
        # Pré-traitement de l'image
        inputs = processor(images=image, return_tensors="pt")
        
        # Prédiction
        with torch.no_grad():
            outputs = model(**inputs)
            logits = outputs.logits
        
        # Application de softmax pour obtenir les probabilités
        probabilities = torch.nn.functional.softmax(logits, dim=-1)[0]
        top_probs, top_indices = torch.topk(probabilities, 5)  # Top 5 predictions
        
        # Formatage des résultats
        predictions = []
        for i, (prob, idx) in enumerate(zip(top_probs, top_indices)):
            pred_label = model.config.id2label[idx.item()]
            confidence = prob.item()
            if confidence > 0.1:  # Seuil de confiance à 10%
                predictions.append(f"{pred_label}: {confidence:.2%}")
        
        if not predictions:
            return "Je ne suis pas sûr de reconnaître cet item. Essayez avec une image plus claire."
        
        return "\n".join(predictions)
        
    except Exception as e:
        return f"Une erreur s'est produite lors du traitement: {str(e)}"

# Configuration de l'interface Gradio
title = "Fashion Item Classifier"
description = (
    "Upload an image of a clothing item, and I will classify it. "
    "This is a general-purpose model (ImageNet). For better accuracy on fashion items, "
    "a specialized model is needed."
)

# Création de l'interface
demo = gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil", label="Upload Clothing Item"),
    outputs=gr.Textbox(label="Classification Results"),
    title=title,
    description=description,
    allow_flagging="never",
    examples=[
        ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126?w=400"],  # T-shirt example
        ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400"]   # Shoe example
    ]
)

# Lancement de l'application - CONFIGURATION SPÉCIFIQUE POUR HUGGING FACE SPACES
if __name__ == "__main__":
    # Cette configuration est cruciale pour Hugging Face Spaces
    demo.launch(
        debug=True,
        server_name="0.0.0.0",  # Important pour les conteneurs Docker
        server_port=int(os.environ.get("PORT", 7860))  Utilise le port de l'environnement Spaces
    )