Update app.py

app.py

@@ -32,7 +32,6 @@ processor = None
 def load_marqo_model():
     global model, processor
     try:
-        # Import différé pour éviter les problèmes de compatibilité
         from transformers import CLIPProcessor, CLIPModel
         
         model_name = "Marqo/marqo-fashionCLIP"
@@ -53,10 +52,10 @@ async def startup_event():
     thread.daemon = True
     thread.start()
 
-# Catégories fashion simplifiées
+# Catégories fashion simplifiées (moins de texte pour éviter les problèmes de padding)
 categories = [
-    "a t-shirt", "a dress", "jeans", "a shirt", "a skirt", "sneakers", 
-    "a handbag", "a jacket", "shorts", "a sweater", "a coat", "high heels"
+    "t-shirt", "dress", "jeans", "shirt", "skirt", "sneakers", 
+    "handbag", "jacket", "shorts", "sweater", "coat", "high heels"
 ]
 
 @app.get("/")
@@ -84,43 +83,48 @@ async def analyze_image(file: UploadFile = File(...)):
         # Réduire la taille
         image.thumbnail((384, 384))
         
-        # Analyse avec Marqo fashionCLIP
+        # --- CORRECTION DU PADDING ---
+        # Préparer les inputs correctement avec padding et truncation
         inputs = processor(
-            text=categories, 
-            images=image, 
-            return_tensors="pt", 
-            padding=True,
-            truncation=True
+            text=categories,
+            images=image,
+            return_tensors="pt",
+            padding=True,           # ← PADDING ACTIVÉ
+            truncation=True,        # ← TRUNCATION ACTIVÉE
+            max_length=77,          # ← LONGUEUR MAXIMALE POUR CLIP
+            return_overflowing_tokens=False
         )
         
+        # Déplacer sur le même device que le modèle
+        device = next(model.parameters()).device
+        inputs = {k: v.to(device) for k, v in inputs.items()}
+        
         with torch.no_grad():
             outputs = model(**inputs)
         
+        # Récupérer les logits et calculer les probabilités
         logits_per_image = outputs.logits_per_image
-        probs = logits_per_image.softmax(dim=1)
+        probs = torch.nn.functional.softmax(logits_per_image, dim=1)
         
         predicted_class_idx = probs.argmax(dim=1).item()
         category_name = categories[predicted_class_idx]
         confidence_score = probs[0][predicted_class_idx].item()
 
-        # --- CORRECTION DE L'ANALYSE COULEUR ---
+        # Analyse couleur
         try:
-            # Sauvegarder l'image dans un fichier temporaire pour ColorThief
             with tempfile.NamedTemporaryFile(suffix='.jpg', delete=False) as tmp:
                 image.save(tmp, format='JPEG')
                 tmp_path = tmp.name
             
-            # Utiliser ColorThief avec le fichier temporaire
             color_thief = colorthief.ColorThief(tmp_path)
             dominant_color = color_thief.get_color(quality=1)
             hex_color = '#%02x%02x%02x' % dominant_color
             
-            # Nettoyer le fichier temporaire
             os.unlink(tmp_path)
             
         except Exception as color_error:
             print(f"Erreur analyse couleur: {color_error}")
-            hex_color = "#000000"  # Couleur par défaut
+            hex_color = "#000000"
 
         return {
             "category": category_name,
@@ -131,7 +135,7 @@ async def analyze_image(file: UploadFile = File(...)):
     except Exception as e:
         return {"error": f"Erreur lors de l'analyse: {str(e)}"}
 
-# Interface simple pour tester
+# Interface de test
 @app.get("/test-ui", response_class=HTMLResponse)
 async def test_ui():
     return """
@@ -155,13 +159,6 @@ async def test_ui():
                     <br>
                     <input type="submit" value="Analyser l'image 👗">
                 </form>
-                
-                <div style="margin-top: 30px; padding: 20px; background: #f8f9fa;">
-                    <h3>📝 Instructions :</h3>
-                    <p>• Uploader une image claire d'un vêtement</p>
-                    <p>• Formats supportés : JPG, PNG, WebP</p>
-                    <p>• Taille recommandée : moins de 2MB</p>
-                </div>
             </div>
         </body>
     </html>