Update app.py

app.py

@@ -3,59 +3,46 @@ from transformers import pipeline
 from PIL import Image
 import numpy as np
 import cv2
-from categories import FASHION_CATEGORIES  # Importe ta liste de catégories
+from categories import FASHION_CATEGORIES
 
 # --- Configuration et Chargement des Modèles ---
-# Ces modèles sont chargés une seule fois au démarrage de l'application
 print("Loading segmentation model... This might take a minute.")
-# Modèle pour détourer et isoler le vêtement
 seg_pipe = pipeline("image-segmentation", model="mattmdjaga/segformer_b2_clothes")
 
 print("Loading fashion classification model...")
-# Modèle de classification spécialisé dans la mode (FashionCLIP)
-# Un modèle qui fait de la classification d'images de mode
-class_pipe = pipeline("image-classification", model="asafaya/convnext-tiny-224-fashion")
+# UTILISATION DU MODÈLE CLIP D'OPENAI - GARANTI PUBLIC
+class_pipe = pipeline("zero-shot-image-classification", model="openai/clip-vit-base-patch32")
 print("Models loaded successfully!")
 
 # --- Fonctions de Prétraitement ---
 def get_largest_segment(segments):
-    """Trouve le segment le plus grand (le vêtement principal) parmi les résultats de segmentation."""
+    """Trouve le segment le plus grand."""
     largest_area = 0
     largest_segment = None
     for segment in segments:
         mask = segment['mask']
-        area = np.sum(mask)  # Calcule la surface du masque
+        area = np.sum(mask)
         if area > largest_area:
             largest_area = area
             largest_segment = segment
     return largest_segment
 
 def crop_to_mask(image, mask):
-    """
-    Recadre l'image sur la zone délimitée par le masque.
-    Cela permet de supprimer tout le fond inutile.
-    """
+    """Recadre l'image sur la zone du masque."""
     mask_np = np.array(mask)
-    # Trouve les coordonnées des pixels blancs du masque
     y, x = np.where(mask_np > 0)
     if len(x) == 0 or len(y) == 0:
-        return image  # Retourne l'image originale si le masque est vide
+        return image
 
     x_min, x_max = np.min(x), np.max(x)
     y_min, y_max = np.min(y), np.max(y)
     
-    # Recadre l'image
     cropped_image = image.crop((x_min, y_min, x_max, y_max))
     return cropped_image
 
-# --- Fonction Principale de Classification ---
+# --- Fonction Principale ---
 def classify_image(input_image):
-    """
-    Fonction appelée par Gradio quand l'utilisateur upload une image.
-    1. Segmentation pour isoler le vêtement.
-    2. Classification sur le vêtement isolé.
-    """
-    # Convertit l'image Gradio en PIL Image
+    """Fonction appelée par Gradio."""
     pil_image = Image.fromarray(input_image)
     
     # ÉTAPE 1: SEGMENTATION
@@ -63,26 +50,22 @@ def classify_image(input_image):
     main_item = get_largest_segment(segments)
     
     if main_item is None:
-        return "No clothing item detected. Please try another image."
+        return "No clothing item detected. Please try another image.", None
     
-    # ÉTAPE 2: PRÉTRAITEMENT - On isole le vêtement
+    # ÉTAPE 2: ISOLATION
     isolated_image = crop_to_mask(pil_image, main_item['mask'])
     
-    # ÉTAPE 3: CLASSIFICATION FINE
-    # On utilise le modèle FashionCLIP pour comparer l'image à notre liste de catégories
+    # ÉTAPE 3: CLASSIFICATION
     predictions = class_pipe(isolated_image, candidate_labels=FASHION_CATEGORIES)
     
-    # Formatage des résultats pour l'affichage
+    # Formatage des résultats
     result_text = "Classification Results (on isolated garment):\n"
-    for pred in predictions:
-        # Affiche le score en pourcentage
+    for pred in predictions[:5]:  # Top 5 résultats seulement
         result_text += f"- {pred['label']}: {pred['score']*100:.2f}%\n"
     
-    # On retourne aussi l'image isolée pour debugger et voir ce que l'IA a vraiment analysé
     return result_text, isolated_image
 
 # --- Interface Gradio ---
-# Création de l'interface utilisateur
 with gr.Blocks(title="Fashion Category Classifier") as demo:
     gr.Markdown("# 👗 Fashion Category Classifier")
     gr.Markdown("Upload a picture of a clothing item. The AI will isolate it and classify it.")
@@ -94,25 +77,13 @@ with gr.Blocks(title="Fashion Category Classifier") as demo:
         
         with gr.Column():
             label_output = gr.Textbox(label="Classification Results", lines=6)
-            image_output = gr.Image(label="Isolated Garment (what the AI analyzed)", type="pil")
+            image_output = gr.Image(label="Isolated Garment", type="pil")
     
-    # Lie le bouton à la fonction
     classify_btn.click(
         fn=classify_image,
         inputs=image_input,
         outputs=[label_output, image_output]
     )
-    
-    # Quelques exemples pour que l'utilisateur teste facilement
-    gr.Examples(
-        examples=[  # Tu devras ajouter tes propres exemples d'images
-            "examples/t-shirt.jpg",
-            "examples/dress.jpg",
-            "examples/jacket.jpg"
-        ],
-        inputs=image_input
-    )
 
-# Lance l'application
 if __name__ == "__main__":
-    demo.launch(debug=True)
+    demo.launch()