Create app.py

app.py

@@ -0,0 +1,117 @@
+import gradio as gr
+from transformers import pipeline
+from PIL import Image
+import numpy as np
+import cv2
+from categories import FASHION_CATEGORIES  # Importe ta liste de catégories
+
+# --- 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)
+class_pipe = pipeline("zero-shot-image-classification", model="edwardjross/fashion-clip")
+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."""
+    largest_area = 0
+    largest_segment = None
+    for segment in segments:
+        mask = segment['mask']
+        area = np.sum(mask)  # Calcule la surface du masque
+        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.
+    """
+    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
+
+    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 ---
+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
+    pil_image = Image.fromarray(input_image)
+    
+    # ÉTAPE 1: SEGMENTATION
+    segments = seg_pipe(pil_image)
+    main_item = get_largest_segment(segments)
+    
+    if main_item is None:
+        return "No clothing item detected. Please try another image."
+    
+    # ÉTAPE 2: PRÉTRAITEMENT - On isole le vêtement
+    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
+    predictions = class_pipe(isolated_image, candidate_labels=FASHION_CATEGORIES)
+    
+    # Formatage des résultats pour l'affichage
+    result_text = "Classification Results (on isolated garment):\n"
+    for pred in predictions:
+        # Affiche le score en pourcentage
+        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.")
+    
+    with gr.Row():
+        with gr.Column():
+            image_input = gr.Image(label="Upload Clothing Image", type="numpy")
+            classify_btn = gr.Button("Classify!")
+        
+        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")
+    
+    # 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)