Spaces:

MODLI
/

TESTFASHION

Sleeping

App Files Files Community

MODLI commited on Sep 11, 2025

Commit

b6eb828

verified ·

1 Parent(s): 9f55257

Update app.py

Browse files

Files changed (1) hide show

app.py +43 -27

app.py CHANGED Viewed

@@ -52,10 +52,10 @@ async def startup_event():
     thread.daemon = True
     thread.start()
-# Catégories fashion simplifiées (moins de texte pour éviter les problèmes de padding)
 categories = [
     "t-shirt", "dress", "jeans", "shirt", "skirt", "sneakers",
-    "handbag", "jacket", "shorts", "sweater", "coat", "high heels"
 ]
 @app.get("/")
@@ -83,32 +83,39 @@ async def analyze_image(file: UploadFile = File(...)):
         # Réduire la taille
         image.thumbnail((384, 384))
-        # --- CORRECTION DU PADDING ---
-        # Préparer les inputs correctement avec padding et truncation
-        inputs = processor(
-            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 = 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()
         # Analyse couleur
         try:
@@ -147,18 +154,27 @@ async def test_ui():
                 .container { max-width: 600px; margin: 0 auto; }
                 form { border: 2px dashed #ccc; padding: 30px; text-align: center; }
                 input[type="file"] { margin: 10px 0; }
-                input[type="submit"] { background: #007bff; color: white; padding: 10px 20px; border: none; cursor: pointer; }
             </style>
         </head>
         <body>
             <div class="container">
-                <h1>🎨 Test Fashion Detection</h1>
                 <form action="/analyze" method="post" enctype="multipart/form-data">
                     <h3>Uploader une image de vêtement :</h3>
                     <input type="file" name="file" accept="image/*" required>
-                    <br>
                     <input type="submit" value="Analyser l'image 👗">
                 </form>
             </div>
         </body>
     </html>

     thread.daemon = True
     thread.start()
+# Catégories fashion (textes plus courts et uniformes)
 categories = [
     "t-shirt", "dress", "jeans", "shirt", "skirt", "sneakers",
+    "handbag", "jacket", "shorts", "sweater", "coat", "heels"
 ]
 @app.get("/")
         # Réduire la taille
         image.thumbnail((384, 384))
+        # --- SOLUTION DÉFINITIVE ---
+        # Traiter chaque catégorie SÉPARÉMENT pour éviter les problèmes de padding
+        similarities = []
+        for category in categories:
+            # Préparer les inputs pour UNE catégorie à la fois
+            inputs = processor(
+                text=[category],  # Une seule catégorie
+                images=image,
+                return_tensors="pt",
+                padding=True,    # Padding pour une seule phrase
+                truncation=True
+            )
+            # Déplacer sur le device du 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 le score de similarité
+            similarity_score = outputs.logits_per_image.item()
+            similarities.append(similarity_score)
+        # Convertir en tensor et calculer les probabilités
+        similarities_tensor = torch.tensor(similarities)
+        probs = torch.nn.functional.softmax(similarities_tensor, dim=0)
+        # Trouver la catégorie prédite
+        predicted_class_idx = probs.argmax().item()
         category_name = categories[predicted_class_idx]
+        confidence_score = probs[predicted_class_idx].item()
         # Analyse couleur
         try:
                 .container { max-width: 600px; margin: 0 auto; }
                 form { border: 2px dashed #ccc; padding: 30px; text-align: center; }
                 input[type="file"] { margin: 10px 0; }
+                input[type="submit"] {
+                    background: #007bff; color: white; padding: 10px 20px;
+                    border: none; cursor: pointer; border-radius: 5px;
+                }
+                .result { margin-top: 20px; padding: 20px; background: #f0f8ff; }
             </style>
         </head>
         <body>
             <div class="container">
+                <h1>🎨 Fashion Detection AI</h1>
                 <form action="/analyze" method="post" enctype="multipart/form-data">
                     <h3>Uploader une image de vêtement :</h3>
                     <input type="file" name="file" accept="image/*" required>
+                    <br><br>
                     <input type="submit" value="Analyser l'image 👗">
                 </form>
+                <div class="result">
+                    <h3>📋 Résultat de l'analyse :</h3>
+                    <p>Attendez l'upload et le traitement de l'image...</p>
+                </div>
             </div>
         </body>
     </html>