app_simple.py

# app_simple.py
from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from PIL import Image
import io
from transformers import ViTImageProcessor, ViTForImageClassification
import torch
import os  # <-- AJOUT IMPORT OS
import logging # <-- AJOUT IMPORT LOGGING

# Configuration du logging pour debuguer
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

app = FastAPI(title="Detection Outfit API")

app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

# --- Chargement du modèle ---
# Utilise un chemin absolu pour être sûr
model_path = "/app/model"
logger.info(f"Tentative de chargement du modèle depuis : {model_path}")
logger.info(f"Contenu du dossier model/ : {os.listdir(model_path) if os.path.exists(model_path) else 'DOSSIER INTROUVABLE'}")

try:
    # Vérifie que le fichier de config essentiel existe
    config_file = os.path.join(model_path, "preprocessor_config.json")
    if not os.path.exists(config_file):
        raise RuntimeError(f"Fichier de config introuvable: {config_file}")

    processor = ViTImageProcessor.from_pretrained(model_path)
    model = ViTForImageClassification.from_pretrained(model_path)
    logger.info("Modèle et processeur chargés avec succès!")

except Exception as e:
    logger.error(f"ERREUR FATALE lors du chargement du modèle: {e}")
    # Il faut arrêter l'application si le modèle ne charge pas
    raise e

# --- Définition des labels ---
# ⚠️ REMPLACE ÇA PAR LES VRAIES ÉTIQUETTES DE TON MODÈLE ! ⚠️
# Ouvre ton fichier /app/model/config.json et trouve la section "id2label"
id2label = {
    "0": "T-shirt",
    "1": "Pantalon",
    "2": "Pull",
    "3": "Robe",
    "4": "Manteau",
    "5": "Sandale",
    "6": "Chemise",
    "7": "Sneaker",
    "8": "Sac",
    "9": "Botte"
}

@app.get("/")
def read_root():
    return {"message": "Bienvenue sur l'API de detection d'outfit!"}

@app.get("/health")
def health_check():
    """Endpoint de santé pour vérifier que l'API et le modèle sont chargés"""
    return {
        "status": "healthy",
        "model_loaded": True,
        "model_path": model_path
    }

@app.post("/classify")
async def classify_image(file: UploadFile = File(...)):
    if not file.content_type.startswith('image/'):
        raise HTTPException(status_code=400, detail="Le fichier doit être une image.")

    try:
        contents = await file.read()
        image = Image.open(io.BytesIO(contents)).convert('RGB')

        inputs = processor(images=image, return_tensors="pt")

        with torch.no_grad():
            outputs = model(**inputs)
            logits = outputs.logits

        predicted_class_idx = logits.argmax(-1).item()
        predicted_label = id2label[str(predicted_class_idx)]
        confidence = torch.nn.functional.softmax(logits, dim=-1)[0, predicted_class_idx].item()

        response = {
            "predicted_label": predicted_label,
            "confidence": round(confidence, 4)
        }

        return response

    except Exception as e:
        logger.error(f"Erreur lors de la classification: {e}")
        raise HTTPException(status_code=500, detail=f"Erreur lors de la classification: {str(e)}")