app.py

import gradio as gr
import torch
import torch.nn.functional as F
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests
from io import BytesIO
import numpy as np

# 🔥 MODÈLE SPÉCIALISÉ DANS LA MODE
MODEL_NAME = "rafalosa/diffusiondb-fashion-mnist"  # Modèle spécialisé mode
# Alternative: "nateraw/vit-base-patch16-224-fashion-mnist"

print("🔄 Chargement du modèle de mode...")

try:
    # Chargeur d'images avec prétraitement correct
    processor = AutoImageProcessor.from_pretrained(
        "google/vit-base-patch16-224",  # Base standard
        cache_dir="cache"
    )
    
    # Modèle fine-tuné sur la mode
    model = AutoModelForImageClassification.from_pretrained(
        MODEL_NAME,
        cache_dir="cache",
        trust_remote_code=True
    )
    
    # Configuration device
    device = "cuda" if torch.cuda.is_available() else "cpu"
    model.to(device)
    model.eval()
    
    print(f"✅ Modèle chargé sur {device}")
    print(f"📊 Classe disponibles: {model.config.num_labels}")

except Exception as e:
    print(f"❌ Erreur chargement: {e}")
    processor = None
    model = None

# 🎯 LABELS COMPRÉHENSIBLES POUR LA MODE
FASHION_LABELS = [
    "T-shirt", "Pantalon", "Pull", "Robe", "Manteau",
    "Sandale", "Chemise", "Sneaker", "Sac", "Botte"
]

def preprocess_image(image):
    """Prétraitement correct des images"""
    # Conversion en RGB
    if image.mode != 'RGB':
        image = image.convert('RGB')
    
    # Redimensionnement intelligent
    image = image.resize((224, 224), Image.Resampling.LANCZOS)
    
    return image

def classify_fashion(image):
    """Classification spécialisée mode"""
    try:
        if image is None:
            return "❌ Veuillez uploader une image de vêtement"
        
        if processor is None or model is None:
            return "⚠️ Modèle en cours de chargement... Patientez 30s"
        
        # 🔥 PRÉTRAITEMENT CORRECT
        processed_image = preprocess_image(image)
        
        # Transformation pour le modèle
        inputs = processor(
            images=processed_image, 
            return_tensors="pt",
            do_resize=True,
            do_rescale=True,
            do_normalize=True
        )
        
        # Transfert sur le bon device
        inputs = {k: v.to(device) for k, v in inputs.items()}
        
        # 🔥 INFÉRENCE AVEC GRADIENTS DÉSACTIVÉS
        with torch.no_grad():
            outputs = model(**inputs)
        
        # 🔥 POST-TRAITEMENT CORRECT
        probabilities = F.softmax(outputs.logits, dim=-1)
        top_probs, top_indices = torch.topk(probabilities, 5)
        
        # Conversion en résultats
        results = []
        for i in range(len(top_indices[0])):
            # Utilisation de nos labels personnalisés
            label_idx = top_indices[0][i].item()
            label_name = FASHION_LABELS[label_idx % len(FASHION_LABELS)]
            score = top_probs[0][i].item() * 100
            results.append({"label": label_name, "score": score})
        
        # 📊 FORMATAGE DES RÉSULTATS
        output = "## 🎯 RÉSULTATS DE CLASSIFICATION:\n\n"
        
        for i, result in enumerate(results):
            output += f"{i+1}. **{result['label']}** - {result['score']:.1f}%\n"
        
        # 📸 Aperçu de l'image traitée
        output += f"\n---\n"
        output += f"📏 Image traitée: 224x224 pixels\n"
        output += f"🔢 Modèle: {MODEL_NAME.split('/')[-1]}\n"
        
        output += "\n💡 **Pour de meilleurs résultats:**\n"
        output += "• Photo claire sur fond uni\n"
        output += "• Vêtement bien visible\n"
        output += "• Éviter les angles bizarres\n"
        
        return output
        
    except Exception as e:
        return f"❌ Erreur: {str(e)}\n\n🔧 Vérifiez les logs pour plus de détails"

# 🖼️ EXEMPLES SPÉCIFIQUES MODE
EXAMPLE_URLS = [
    "https://images.unsplash.com/photo-1558769132-cb1aea458c5e?w=400",  # T-shirt
    "https://images.unsplash.com/photo-1594633312681-425c7b97ccd1?w=400",  # Robe
    "https://images.unsplash.com/photo-1529111290557-82f6d5c6cf85?w=400",  # Chemise
    "https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400",   # Veste
]

def load_example(url):
    """Charge un exemple depuis une URL"""
    try:
        response = requests.get(url, timeout=10)
        return Image.open(BytesIO(response.content))
    except:
        return None

# 🎨 INTERFACE AMÉLIORÉE
with gr.Blocks(
    title="Classificateur de Mode Expert",
    theme=gr.themes.Soft(primary_hue="pink")
) as demo:
    
    gr.Markdown("""
    # 👗 CLASSIFICATEUR EXPERT DE VÊTEMENTS
    *Powered by Fine-Tuned Vision Transformer*
    """)
    
    with gr.Row():
        with gr.Column(scale=1):
            gr.Markdown("### 📤 UPLOADER")
            image_input = gr.Image(
                type="pil",
                label="Image de vêtement",
                height=300,
                sources=["upload", "clipboard"],
                interactive=True
            )
            
            with gr.Row():
                classify_btn = gr.Button("🚀 Classifier", variant="primary")
                clear_btn = gr.Button("🧹 Effacer", variant="secondary")
            
            gr.Markdown("""
            ### 💡 CONSEILS
            - 📷 Photo claire et nette
            - 🎯 Vêtement bien centré
            - 🌟 Fond uni de préférence
            - ⚡ Attendez 3-5 secondes
            """)
        
        with gr.Column(scale=2):
            gr.Markdown("### 📊 RÉSULTATS")
            output_text = gr.Markdown(
                value="⬅️ Uploader une image ou utilisez les exemples ci-dessous"
            )
    
    # 🎯 EXEMPLES INTERACTIFS
    gr.Markdown("### 🖼️ EXEMPLES DE TEST")
    with gr.Row():
        for i, url in enumerate(EXAMPLE_URLS):
            gr.Examples(
                examples=[[url]],
                inputs=image_input,
                outputs=output_text,
                fn=classify_fashion,
                label=f"Exemple {i+1}",
                cache_examples=False
            )
    
    # 🎮 INTERACTIONS
    classify_btn.click(
        fn=classify_fashion,
        inputs=[image_input],
        outputs=output_text,
        api_name="classify"
    )
    
    clear_btn.click(
        fn=lambda: (None, "⬅️ Prêt pour une nouvelle image"),
        inputs=[],
        outputs=[image_input, output_text]
    )
    
    # 🔄 AUTO-CLASSIFICATION
    image_input.upload(
        fn=classify_fashion,
        inputs=[image_input],
        outputs=output_text
    )

# ⚙️ CONFIGURATION
if __name__ == "__main__":
    demo.launch(
        server_name="0.0.0.0",
        server_port=7860,
        share=False,
        debug=True,
        show_error=True
    )