Create app.py

app.py

@@ -0,0 +1,89 @@
+from fastapi import FastAPI, File, UploadFile
+from fastapi.middleware.cors import CORSMiddleware
+from PIL import Image
+import torch
+from transformers import AutoProcessor, AutoModel
+import io
+import colorthief
+
+# --- Charge le modèle Marqo FashionSigLIP ---
+print("⚠️ Démarrage du chargement du modèle Marqo-FashionSigLIP... (cela peut prendre 1-2 minutes)")
+# 🎯 MODEL NAME CHANGE ICI - C'EST LE NOUVEAU MODELE
+model_name = "Marqo/Marqo-FashionSigLIP-Classification"
+processor = AutoProcessor.from_pretrained(model_name)
+model = AutoModel.from_pretrained(model_name)
+print("✅ Modèle Marqo-FashionSigLIP chargé avec succès !")
+# ---------------------------------------------------------
+
+app = FastAPI(title="Fashion Detection API")
+
+# Middleware pour autoriser les appels depuis votre application Lovable
+app.add_middleware(
+    CORSMiddleware,
+    allow_origins=["*"],  # Pour le développement. Pour la production, remplacez par l'URL de Lovable.
+    allow_credentials=True,
+    allow_methods=["*"],
+    allow_headers=["*"],
+)
+
+# Liste de catégories possibles en Anglais. Le modèle comprend mieux l'Anglais.
+# MODIFIEZ CETTE LISTE PERSONNALISEE SELON VOS BESOINS !
+categories = [
+    "a t-shirt", "a dress", "jeans", "a shirt", "a skirt",
+    "sneakers", "a bag", "a jacket", "a pair of shorts", "a sweater",
+    "a coat", "high heels", "a scarf", "sunglasses", "a hat"
+]
+
+@app.post("/analyze")
+async def analyze_image(file: UploadFile = File(...)):
+    # 1. Lire l'image envoyée par l'utilisateur
+    contents = await file.read()
+    image = Image.open(io.BytesIO(contents)).convert("RGB")
+
+    # 2. ANALYSE AVEC LE MODÈLE MARQO FASHIONSIGLIP
+    try:
+        # Prépare l'image et transforme les catégories en texte
+        inputs = processor(images=image, text=categories, return_tensors="pt", padding=True, truncation=True)
+
+        # Passe through the model
+        with torch.no_grad():
+            outputs = model(**inputs)
+
+        # Récupère les scores de similarité entre l'image et chaque catégorie de texte
+        logits_per_image = outputs.logits_per_image  # Shape: [1, n_categories]
+        probs = logits_per_image.softmax(dim=1)  # Convertit les scores en probabilités
+
+        # Trouve la catégorie avec la probabilité la plus élevée
+        predicted_class_idx = probs.argmax(dim=1).item()
+        category_name = categories[predicted_class_idx]
+        confidence_score = probs[0][predicted_class_idx].item()
+
+    except Exception as e:
+        # En cas d'erreur avec le gros modèle, on retourne une erreur
+        return {"error": f"Erreur lors de l'analyse AI: {str(e)}"}
+
+    # 3. ANALYSE DE LA COULEUR (avec ColorThief)
+    try:
+        # On sauvegarde l'image en mémoire pour ColorThief
+        img_buffer = io.BytesIO()
+        image.save(img_buffer, format="PNG")
+        img_buffer.seek(0)
+        # Extrait la couleur dominante
+        color_thief = colorthief.ColorThief(img_buffer)
+        dominant_color = color_thief.get_color(quality=1)
+        # Convertit le RGB (ex: (255, 0, 0)) en code hexadécimal (ex: #ff0000)
+        hex_color = '#%02x%02x%02x' % dominant_color
+    except Exception as e:
+        hex_color = "#000000"  # Couleur noire par défault en cas d'erreur
+
+    # 4. Renvoie le résultat à Lovable
+    return {
+        "category": category_name,
+        "color_hex": hex_color,
+        "confidence": round(confidence_score, 4)  # Arrondit le score de confiance à 4 décimales
+    }
+
+# Cette partie est importante pour Hugging Face Spaces
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=7860)