Update app.py

app.py

@@ -5,18 +5,31 @@ from PIL import Image
 import io
 import base64
 import json
+import tempfile
 
 class FashionClassifier:
     def __init__(self):
         self.api_url = "https://api.marqo.ai/classify"
         self.api_key = os.getenv("MARQO_API_KEY")
-    
+        
+        # Vérifier si la clé API est configurée
+        if not self.api_key or self.api_key == "your_marqo_api_key":
+            print("⚠️ ATTENTION: Clé API Marqo non configurée!")
+            print("👉 Ajoutez MARQO_API_KEY dans les secrets Hugging Face")
+
     def classify_image(self, image, max_categories=5, confidence_threshold=0.3):
-        """Classifie une image uploadée"""
+        """Classifie une image avec gestion d'erreurs complète"""
         try:
-            # Convertir l'image en base64
+            # Vérifier si l'image est valide
+            if image is None:
+                return {"error": "Aucune image fournie"}
+            
+            # Convertir et optimiser l'image
+            image = self.prepare_image(image)
+            
+            # Convertir en base64
             buffered = io.BytesIO()
-            image.save(buffered, format="JPEG")
+            image.save(buffered, format="JPEG", optimize=True, quality=85)
             img_str = base64.b64encode(buffered.getvalue()).decode()
             
             headers = {
@@ -33,113 +46,137 @@ class FashionClassifier:
                 }
             }
             
-            response = requests.post(self.api_url, headers=headers, json=payload)
+            # Debug: Afficher la requête (dans les logs)
+            print(f"📤 Envoi requête à Marqo API...")
+            
+            response = requests.post(self.api_url, headers=headers, json=payload, timeout=30)
+            
+            # Debug: Afficher la réponse
+            print(f"📥 Réponse reçue: {response.status_code}")
+            
+            if response.status_code != 200:
+                return {
+                    "error": f"Erreur API {response.status_code}",
+                    "details": response.text
+                }
+                
             return response.json()
             
         except Exception as e:
-            return {"error": str(e)}
+            return {"error": f"Erreur: {str(e)}"}
+
+    def prepare_image(self, image):
+        """Prépare l'image pour le modèle"""
+        # Convertir en RGB si nécessaire
+        if image.mode != 'RGB':
+            image = image.convert('RGB')
+        
+        # Redimensionner si trop grande (max 1024px)
+        max_size = (1024, 1024)
+        image.thumbnail(max_size, Image.Resampling.LANCZOS)
+        
+        return image
 
 # Initialiser le classifieur
 classifier = FashionClassifier()
 
 def process_image(image, max_categories, confidence):
-    """Fonction de traitement pour Gradio"""
-    if image is None:
-        return "⚠️ Veuillez uploader une image first"
-    
-    result = classifier.classify_image(image, max_categories, confidence)
-    
-    if "error" in result:
-        return f"❌ Erreur: {result['error']}"
-    
-    if "predictions" in result and result["predictions"]:
-        output = "## 🎯 Résultats de classification:\n\n"
-        for i, pred in enumerate(result["predictions"]):
-            output += f"{i+1}. **{pred['label']}** - {pred['score']*100:.1f}%\n"
+    """Fonction de traitement avec debug"""
+    try:
+        if image is None:
+            return "❌ Veuillez uploader une image valide"
+        
+        print(f"🖼️ Image reçue: {image.size}, mode: {image.mode}")
         
-        if "processing_time" in result:
-            output += f"\n⏱️ Temps de traitement: {result['processing_time']}s"
+        result = classifier.classify_image(image, max_categories, confidence)
         
-        return output
-    else:
-        return "❌ Aucune prédiction trouvée"
+        # Debug dans les logs
+        print(f"🔍 Résultat brut: {json.dumps(result, indent=2)}")
+        
+        if "error" in result:
+            error_msg = f"❌ Erreur de classification:\n\n"
+            error_msg += f"**Détails:** {result['error']}\n\n"
+            
+            # Conseils selon le type d'erreur
+            if "401" in str(result['error']):
+                error_msg += "🔑 **Solution:** Vérifiez votre clé API Marqo dans les secrets Hugging Face"
+            elif "timeout" in str(result['error']).lower():
+                error_msg += "⏱️ **Solution:** L'image est trop lourde, essayez une image plus petite"
+            else:
+                error_msg += "💡 **Solution:** Essayez une image plus petite ou un format différent"
+                
+            return error_msg
+        
+        if "predictions" in result and result["predictions"]:
+            output = "## 🎯 Résultats de classification:\n\n"
+            for i, pred in enumerate(result["predictions"]):
+                output += f"{i+1}. **{pred['label']}** - {pred['score']*100:.1f}%\n"
+            
+            if "processing_time" in result:
+                output += f"\n���️ Temps de traitement: {result['processing_time']}s"
+            
+            return output
+        else:
+            return "❌ Aucune prédiction trouvé - Le modèle n'a pas reconnu l'image"
+            
+    except Exception as e:
+        return f"❌ Erreur inattendue: {str(e)}"
 
-# Interface Gradio CORRIGÉE
+# Interface Gradio simplifiée et robuste
 with gr.Blocks(title="Classificateur de Mode") as demo:
     gr.Markdown("""
     # 🎨 Classificateur de Vêtements Marqo
-    Uploader une image de vêtement pour la classifier automatiquement
+    **Uploader une image de vêtement** pour la classifier automatiquement
     """)
     
     with gr.Row():
         with gr.Column(scale=1):
-            # Section upload
+            gr.Markdown("### 📤 Uploader votre image")
             image_input = gr.Image(
                 type="pil", 
-                label="📤 Uploader votre image",
-                height=300
+                label="Image à classifier",
+                height=300,
+                sources=["upload", "webcam", "clipboard"]
             )
             
-            # Paramètres
-            with gr.Accordion("⚙️ Paramètres avancés", open=False):
-                max_categories = gr.Slider(
-                    minimum=1, 
-                    maximum=10, 
-                    value=5, 
-                    step=1,
-                    label="Nombre de catégories max"
-                )
-                confidence = gr.Slider(
-                    minimum=0.1, 
-                    maximum=1.0, 
-                    value=0.3, 
-                    step=0.1,
-                    label="Seuil de confiance minimum"
-                )
-            
-            # Bouton bien visible
-            submit_btn = gr.Button(
-                "🚀 Classifier l'image", 
-                variant="primary",
-                size="lg"
-            )
+            gr.Markdown("### ⚙️ Paramètres")
+            max_categories = gr.Slider(1, 10, value=5, label="Catégories max")
+            confidence = gr.Slider(0.1, 1.0, value=0.3, label="Seuil de confiance")
             
+            gr.Markdown("### 🚀 Actions")
+            submit_btn = gr.Button("Classifier l'image", variant="primary")
+            clear_btn = gr.Button("Effacer", variant="secondary")
+        
         with gr.Column(scale=2):
-            # Résultats
+            gr.Markdown("### 📊 Résultats")
             output_text = gr.Markdown(
-                label="📊 Résultats",
-                value="⬅️ Uploader une image et cliquez sur 'Classifier'"
+                value="⬅️ Uploader une image de vêtement pour commencer"
             )
     
-    # Exemples d'images
+    # Exemples d'images qui FONCTIONNENT
     gr.Examples(
         examples=[
-            ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126"],
-            ["https://images.unsplash.com/photo-1594633312681-425c7b97ccd1"],
-            ["https://images.unsplash.com/photo-1529111290557-82f6d5c6cf85"]
+            ["https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png"],
+            ["https://images.unsplash.com/photo-1558769132-cb1aea458c5e"],
+            ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2"]
         ],
         inputs=image_input,
-        label="🎯 Exemples d'images à tester"
+        label="🖼️ Exemples testés et fonctionnels"
     )
     
-    # Lier le bouton
+    # Événements
     submit_btn.click(
         fn=process_image,
         inputs=[image_input, max_categories, confidence],
         outputs=output_text
     )
     
-    # Classification automatique au upload
-    image_input.upload(
-        fn=process_image,
-        inputs=[image_input, max_categories, confidence],
-        outputs=output_text
+    clear_btn.click(
+        fn=lambda: (None, 5, 0.3, "⬅️ Uploader une nouvelle image"),
+        inputs=[],
+        outputs=[image_input, max_categories, confidence, output_text]
     )
 
-# Lancer l'application
+# Lancer avec debug
 if __name__ == "__main__":
-    demo.launch(
-        share=True,
-        server_name="0.0.0.0",
-        debug=True
-    )
+    demo.launch(debug=True)