app.py

"""
import gradio as gr
from ultralytics import YOLO
import torch
from render import custom_render_result

# poids
model = YOLO('./yolov8_aug_200_100.pt')

def yoloV8_func(image: gr.Image = None,
                image_size: int = 608,
                conf_threshold: float = 0.6,
                iou_threshold: float = 0.6):

    results = model.predict(image,
                            conf=conf_threshold,
                            iou=iou_threshold,
                            imgsz=image_size,
                            show_conf = False,
                            save_conf = False)

    detections = results[0]
    # je tris les boîtes par la coordonnée x de début
    sorted_detections = sorted(zip(detections.boxes.xyxy, detections.boxes.cls), key=lambda x: x[0][0])
    # seulement les chiffres
    index_lu = ''.join([str(int(cls)) for _, cls in sorted_detections if cls >= 0 and cls <= 9])+str(" m3")

    # je retourne les images avec les b.e et les classes et les proba
    render = custom_render_result(model=model, image=image, result=detections)
    return render, index_lu

inputs = [
    gr.Image(type="filepath", label="Input Image"),
    #gr.Slider(minimum=320, maximum=1280, step=32, label="Image Size", value=640),
    #gr.Slider(minimum=0.0, maximum=1.0, step=0.05, label="Confidence Threshold"),
    #gr.Slider(minimum=0.0, maximum=1.0, step=0.05, label="IOU Threshold"),
]

output_1 = gr.Image(type="filepath", label="Output Image")
output_2 = gr.Textbox(label="Index du compteur")

title = "MVP - Vers un Releveur Virtuel Intelligent entre les Mains des Clients 7/24"
yolo_app = gr.Interface(
    fn=yoloV8_func,
    inputs=inputs,
    outputs=[output_1, output_2],
    title=title
)
yolo_app.launch(debug=True, share=True, ssr_mode=False)#.queue()
"""
import os
import cv2
import numpy as np
from PIL import Image
import gradio as gr
from ultralytics import YOLO
from render import custom_render_result

# ✅ Fix config Ultralytics (évite la recréation à chaque démarrage)
os.environ["YOLO_CONFIG_DIR"] = "/tmp/Ultralytics"

# ✅ Chargement du modèle une seule fois au démarrage (global)
model = YOLO('./yolov8_aug_200_100.pt')


# ✅ Fonction nommée au lieu de lambda (évite la transpilation JS de Gradio)
def sort_by_x(item):
    return item[0][0]


# ✅ Conversion universelle de l'image en numpy array RGB (format natif YOLO)
def to_numpy_rgb(image):
    if image is None:
        return None
    if isinstance(image, str):
        # filepath → numpy BGR → RGB
        img = cv2.imread(image)
        img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        return img
    elif isinstance(image, Image.Image):
        # PIL → numpy RGB
        return np.array(image.convert("RGB"))
    elif isinstance(image, np.ndarray):
        # déjà numpy, s'assurer que c'est RGB
        if len(image.shape) == 2:
            # image en niveaux de gris → RGB
            image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)
        return image
    else:
        raise TypeError(f"Type d'image non supporté : {type(image)}")


def yoloV8_func(
    image=None,
    image_size: int = 608,
    conf_threshold: float = 0.6,
    iou_threshold: float = 0.6
):
    if image is None:
        return None, "⚠️ Aucune image fournie"

    # ✅ Conversion de l'image en numpy array fiable pour YOLO
    try:
        img_array = to_numpy_rgb(image)
    except Exception as e:
        return None, f"❌ Erreur de conversion image : {str(e)}"

    # ✅ Inférence YOLO
    results = model.predict(
        img_array,
        conf=conf_threshold,
        iou=iou_threshold,
        imgsz=image_size,
        show_conf=False,
        save_conf=False
    )

    detections = results[0]

    # ✅ Tri des boîtes par coordonnée X (ordre de lecture)
    sorted_detections = sorted(
        zip(detections.boxes.xyxy, detections.boxes.cls),
        key=sort_by_x
    )

    # ✅ Extraction des chiffres détectés (classes 0-9)
    index_lu = ''.join([
        str(int(cls))
        for _, cls in sorted_detections
        if 0 <= int(cls) <= 9
    ]) + " m3"

    # ✅ Rendu de l'image annotée
    render = custom_render_result(model=model, image=img_array, result=detections)

    return render, index_lu


# ✅ Inputs / Outputs
inputs = [
    gr.Image(type="numpy", label="📷 Image du compteur"),
]

output_1 = gr.Image(type="numpy", label="🖼️ Image annotée")
output_2 = gr.Textbox(label="🔢 Index du compteur")

title = "MVP - Vers un Agent Releveur Virtuel en faveur des Releveurs Terrain et entre les mains des Clients 7/24"

# ✅ Interface Gradio
yolo_app = gr.Interface(
    fn=yoloV8_func,
    inputs=inputs,
    outputs=[output_1, output_2],
    title=title,
    flagging_mode="never",
)

# ✅ Launch propre pour HuggingFace Spaces
yolo_app.launch(
    debug=False,    # False en production
    share=False,    # Toujours False sur HuggingFace Spaces
    ssr_mode=False  # Désactive le SSR expérimental (lent)
)