Update app.py

app.py

@@ -11,15 +11,7 @@ import requests
 from io import BytesIO
 from transformers import CLIPProcessor, CLIPModel
 
-# 🔐 Récupérer le token depuis les variables d'environnement
-HF_TOKEN = os.getenv("HF_API_TOKEN")
-
-if not HF_TOKEN:
-    print("❌ Token non trouvé! Vérifiez les variables d'environnement")
-else:
-    print("✅ Token chargé avec succès")
-
-app = FastAPI(title="API TESTEFASHION MODLI")
+app = FastAPI(title="Fashion Classification API")
 
 # Middleware CORS
 app.add_middleware(
@@ -39,7 +31,7 @@ processor = None
 def load_model():
     global model, processor
     try:
-        model_name = "patrickjohncyh/fashion-clip"  # Modèle spécialisé mode
+        model_name = "patrickjohncyh/fashion-clip"
         model = CLIPModel.from_pretrained(model_name)
         processor = CLIPProcessor.from_pretrained(model_name)
         print("✅ Modèle chargé avec succès!")
@@ -91,28 +83,28 @@ async def classify_fashion(image_data: dict):
             raise HTTPException(status_code=400, detail="imageUrl is required")
         
         # Télécharger l'image depuis l'URL
-        response = requests.get(image_url, timeout=10)
+        response = requests.get(image_url, timeout=30)
         response.raise_for_status()
         
         # Ouvrir et préparer l'image
         image = Image.open(BytesIO(response.content)).convert("RGB")
-        image.thumbnail((512, 512))  # Réduire la taille pour plus d'efficacité
+        image.thumbnail((512, 512))
         
         # Préparer toutes les catégories en anglais
         all_english_categories = []
-        category_mapping = {}  # Pour mapper vers le français
+        category_mapping = {}
         
         for fr_cat, en_categories in CATEGORIES_FR.items():
             all_english_categories.extend(en_categories)
             for en_cat in en_categories:
                 category_mapping[en_cat] = fr_cat
         
-        # Traitement par lots de toutes les catégories
+        # Traitement avec padding pour éviter l'erreur tensor
         inputs = processor(
             text=all_english_categories,
             images=image,
             return_tensors="pt",
-            padding=True,
+            padding=True,  # ← CORRECTION IMPORTANTE
             truncation=True,
             max_length=77,
             return_overflowing_tokens=False
@@ -127,7 +119,6 @@ async def classify_fashion(image_data: dict):
             logits_per_image = outputs.logits_per_image
             probs = logits_per_image.softmax(dim=1)
             
-            # Convertir en dictionnaire de résultats
             results = {cat: prob.item() for cat, prob in zip(all_english_categories, probs[0])}
         
         # Trouver la catégorie avec le meilleur score
@@ -137,7 +128,6 @@ async def classify_fashion(image_data: dict):
         # Convertir en catégorie française
         best_french_category = category_mapping.get(best_english_category, "autre")
         
-        # Format de réponse exact pour Lovable
         return {
             "success": True,
             "category": best_french_category,
@@ -151,15 +141,7 @@ async def classify_fashion(image_data: dict):
         raise HTTPException(status_code=400, detail=f"Invalid image URL: {str(e)}")
     except Exception as e:
         raise HTTPException(status_code=500, detail=f"Classification error: {str(e)}")
-        
-# Ancienne route pour compatibilité (si nécessaire)
-@app.post("/analyze")
-async def analyze_image_old():
-    return {"error": "Use /classify endpoint instead"}
 
-# Route de test
-@app.get("/test")
-async def test_endpoint():
-    """Endpoint de test avec une image exemple"""
-    test_url = "https://images.unsplash.com/photo-1521572163474-6864f9cf17ab?w=400"
-    return await classify_fashion({"imageUrl": test_url})
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=7860)