Update app.py

app.py

@@ -1,101 +1,3 @@
-# from fastapi import FastAPI, UploadFile, File, Form
-# from fastapi.responses import JSONResponse, Response, FileResponse
-# from fastapi.middleware.cors import CORSMiddleware
-# from ultralytics import YOLO
-# import torch
-# import cv2
-# import numpy as np
-
-# app = FastAPI()
-
-# # Разрешаем вызовы из фронта того же Space
-# app.add_middleware(
-#     CORSMiddleware,
-#     allow_origins=["*"],
-#     allow_methods=["*"],
-#     allow_headers=["*"],
-# )
-
-# # Загружаем модель
-# model = YOLO("best.pt")
-# device = "cuda" if torch.cuda.is_available() else "cpu"
-# model.to(device)
-
-# @app.get("/")
-# def root():
-#     return FileResponse("index.html")
-
-# def read_image_to_bgr(file_bytes: bytes) -> np.ndarray:
-#     # Декод JPEG/PNG в BGR
-#     img_array = np.frombuffer(file_bytes, dtype=np.uint8)
-#     img = cv2.imdecode(img_array, cv2.IMREAD_COLOR)  # BGR
-#     return img
-
-# def annotate_bgr(results) -> np.ndarray:
-#     # results[0].plot() возвращает BGR с нарисованными боксами
-#     return results[0].plot()
-
-# def results_to_json(results):
-#     # Конвертация результатов в чистые боксы/классы/скор
-#     r = results[0]
-#     boxes = r.boxes
-#     out = []
-#     if boxes is not None and len(boxes) > 0:
-#         xyxy = boxes.xyxy.cpu().numpy()  # (N,4)
-#         conf = boxes.conf.cpu().numpy()  # (N,)
-#         cls = boxes.cls.cpu().numpy().astype(int)  # (N,)
-#         names = r.names
-#         for i in range(len(xyxy)):
-#             x1, y1, x2, y2 = xyxy[i].tolist()
-#             out.append({
-#                 "bbox": [x1, y1, x2, y2],
-#                 "conf": float(conf[i]),
-#                 "class_id": int(cls[i]),
-#                 "class_name": names[int(cls[i])] if names else str(cls[i])
-#             })
-#     return {"detections": out}
-
-# @app.post("/predict")
-# async def predict(
-#     file: UploadFile = File(...),
-#     conf: float = Form(0.25),
-#     iou: float = Form(0.45),
-#     return_image: int = Form(1)  # 1 = вернуть аннотированное изображение, 0 = вернуть JSON боксов
-# ):
-#     data = await file.read()
-#     bgr = read_image_to_bgr(data)
-#     if bgr is None:
-#         return JSONResponse({"error": "Invalid image"}, status_code=400)
-
-#     # Инференс (без трекинга — кадры независимы; для трекинга можно persist и tracker)
-#     results = model.predict(
-#         source=bgr,
-#         conf=conf,
-#         iou=iou,
-#         imgsz=640,
-#         verbose=False
-#     )
-
-#     if return_image == 1:
-#         annotated = annotate_bgr(results)  # BGR
-#         # Кодируем в JPEG для отправки
-#         ok, buf = cv2.imencode(".jpg", annotated)
-#         if not ok:
-#             return JSONResponse({"error": "Encode failed"}, status_code=500)
-#         return Response(content=buf.tobytes(), media_type="image/jpeg")
-#     else:
-#         return JSONResponse(results_to_json(results))
-
-
-
-
-
-
-
-
-
-
-
 from fastapi import FastAPI, UploadFile, File, Form
 from fastapi.responses import JSONResponse, Response, FileResponse
 from fastapi.middleware.cors import CORSMiddleware
@@ -106,7 +8,7 @@ import numpy as np
 
 app = FastAPI()
 
-# Разрешаем фронту обращаться к API
+# Разрешаем вызовы из фронта того же Space
 app.add_middleware(
     CORSMiddleware,
     allow_origins=["*"],
@@ -124,21 +26,24 @@ def root():
     return FileResponse("index.html")
 
 def read_image_to_bgr(file_bytes: bytes) -> np.ndarray:
+    # Декод JPEG/PNG в BGR
     img_array = np.frombuffer(file_bytes, dtype=np.uint8)
-    img = cv2.imdecode(img_array, cv2.IMREAD_COLOR)
+    img = cv2.imdecode(img_array, cv2.IMREAD_COLOR)  # BGR
     return img
 
 def annotate_bgr(results) -> np.ndarray:
+    # results[0].plot() возвращает BGR с нарисованными боксами
     return results[0].plot()
 
 def results_to_json(results):
+    # Конвертация результатов в чистые боксы/классы/скор
     r = results[0]
     boxes = r.boxes
     out = []
     if boxes is not None and len(boxes) > 0:
-        xyxy = boxes.xyxy.cpu().numpy()
-        conf = boxes.conf.cpu().numpy()
-        cls = boxes.cls.cpu().numpy().astype(int)
+        xyxy = boxes.xyxy.cpu().numpy()  # (N,4)
+        conf = boxes.conf.cpu().numpy()  # (N,)
+        cls = boxes.cls.cpu().numpy().astype(int)  # (N,)
         names = r.names
         for i in range(len(xyxy)):
             x1, y1, x2, y2 = xyxy[i].tolist()
@@ -155,26 +60,38 @@ async def predict(
     file: UploadFile = File(...),
     conf: float = Form(0.25),
     iou: float = Form(0.45),
-    return_image: int = Form(1)
+    return_image: int = Form(1)  # 1 = вернуть аннотированное изображение, 0 = вернуть JSON боксов
 ):
     data = await file.read()
     bgr = read_image_to_bgr(data)
     if bgr is None:
         return JSONResponse({"error": "Invalid image"}, status_code=400)
 
+    # Инференс (без трекинга — кадры независимы; для трекинга можно persist и tracker)
     results = model.predict(
         source=bgr,
         conf=conf,
         iou=iou,
-        imgsz=480,  # меньше размер для скорости
+        imgsz=640,
         verbose=False
     )
 
     if return_image == 1:
-        annotated = annotate_bgr(results)
-        ok, buf = cv2.imencode(".jpg", annotated, [int(cv2.IMWRITE_JPEG_QUALITY), 95])
+        annotated = annotate_bgr(results)  # BGR
+        # Кодируем в JPEG для отправки
+        ok, buf = cv2.imencode(".jpg", annotated)
         if not ok:
             return JSONResponse({"error": "Encode failed"}, status_code=500)
         return Response(content=buf.tobytes(), media_type="image/jpeg")
     else:
         return JSONResponse(results_to_json(results))
+
+
+
+
+
+
+
+
+
+