Update app.py

app.py

@@ -1,29 +1,25 @@
 import os
 os.environ['HF_HOME'] = '/tmp/cache'
 os.environ['TORCH_HOME'] = '/tmp/cache'
+
 from fastapi import FastAPI, File, UploadFile
 from fastapi.middleware.cors import CORSMiddleware
 from PIL import Image
 import torch
-from transformers import AutoProcessor, AutoModel
+from transformers import CLIPProcessor, CLIPModel  # CHANGÉ : CLIP au lieu de Auto
 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 = print("⚠️ Démarrage du chargement du modèle...")
-# 🎯 MODELE PUBLIC ET TESTE qui fonctionne toujours
+# --- Charge le modèle Marqo fashionCLIP ---
+print("⚠️ Démarrage du chargement du modèle...")
 model_name = "Marqo/marqo-fashionCLIP"
-# On utilise un pipeline standard de classification d'images, plus simple
-# Use a pipeline as a high-level helper
-from transformers import pipeline
+# CHANGÉ : On charge le modèle CLIP standard
+model = CLIPModel.from_pretrained(model_name)
+processor = CLIPProcessor.from_pretrained(model_name)
+print("✅ Modèle chargé avec succès !")
+# ---------------------------------------------------------
 
-pipe = pipeline("zero-shot-image-classification", model="Marqo/marqo-fashionCLIP", trust_remote_code=True)
-pipe(
-    "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/parrots.png",
-    candidate_labels=["animals", "humans", "landscape"],
-)
+app = FastAPI(title="Fashion Detection API")
 
 # Middleware pour autoriser les appels depuis votre application Lovable
 app.add_middleware(
@@ -48,14 +44,23 @@ async def analyze_image(file: UploadFile = File(...)):
     contents = await file.read()
     image = Image.open(io.BytesIO(contents)).convert("RGB")
 
-
-    # 2. ANALYSE AVEC LE MODÈLE DE CLASSIFICATION (NOUVEAU CODE)
+    # 2. ANALYSE AVEC LE MODÈLE MARQO FASHIONCLIP (CODE CORRIGÉ)
     try:
-        # 🎯 NOUVEAU : Le pipeline fait tout le travail en une ligne !
-        predictions = pipe(image)
-        # Le résultat est une liste de dictionnaires. On prend la prédiction la plus haute.
-        category_name = predictions[0]['label']    # ex: "t-shirt"
-        confidence_score = predictions[0]['score'] # ex: 0.95
+        # CHANGÉ : Préparer les inputs correctement pour CLIP
+        inputs = processor(text=categories, images=image, return_tensors="pt", padding=True)
+        
+        # Passer through the model
+        with torch.no_grad():
+            outputs = model(**inputs)
+        
+        # Récupérer les similarités image-texte
+        logits_per_image = outputs.logits_per_image
+        probs = logits_per_image.softmax(dim=1)  # Convertir en probabilités
+        
+        # Trouver 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:
         return {"error": f"Erreur lors de l'analyse AI: {str(e)}"}