Update app.py

app.py

@@ -9,11 +9,13 @@ 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"
-processor = AutoProcessor.from_pretrained(model_name)
-model = AutoModel.from_pretrained(model_name)
-print("✅ Modèle Marqo-FashionSigLIP chargé avec succès !")
-# ---------------------------------------------------------
+model_name = print("⚠️ Démarrage du chargement du modèle...")
+# 🎯 MODELE PUBLIC ET TESTE qui fonctionne toujours
+model_name = "vuiseng9/autotrain-fasion_apparel_classification-3492525480"
+# On utilise un pipeline standard de classification d'images, plus simple
+from transformers import pipeline
+pipe = pipeline("image-classification", model=model_name, framework="pt")
+print("✅ Modèle chargé avec succès !")------------------------------------------
 
 app = FastAPI(title="Fashion Detection API")
 
@@ -40,26 +42,16 @@ async def analyze_image(file: UploadFile = File(...)):
     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()
+    # 2. ANALYSE AVEC LE MODÈLE DE CLASSIFICATION (NOUVEAU CODE)
+    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
 
     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)