# app_interface.py - Version alternative avec gr.Interface pour garantir l'API REST
# Cette version utilise gr.Interface qui expose automatiquement l'API REST dans Gradio 5.x

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

import gradio as gr
import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import GlobalAveragePooling2D, Dense
from tensorflow.keras.applications import MobileNetV2
from ultralytics import YOLO
from PIL import Image
import numpy as np
from sklearn.cluster import KMeans
import json

print("=" * 60)
print("🚀 DÉMARRAGE LABASNI CLOTH DETECTION (Interface Version)")
print("=" * 60)

# ============================================
# CHARGEMENT DES MODÈLES
# ============================================

print("\n🔄 Chargement du modèle YOLO...")
try:
    yolo_model = YOLO("best.pt")
    print("✅ YOLO chargé avec succès")
except Exception as e:
    print(f"❌ Erreur YOLO: {e}")
    raise

print("\n🔄 Chargement du modèle Style/Season...")
try:
    base_model = MobileNetV2(
        input_shape=(224, 224, 3),
        include_top=False,
        weights=None
    )
    x = base_model.output
    x = GlobalAveragePooling2D()(x)
    style_output = Dense(4, activation='softmax', name='style_output')(x)
    season_output = Dense(4, activation='softmax', name='season_output')(x)
    
    style_model = Model(
        inputs=base_model.input, 
        outputs=[style_output, season_output]
    )
    
    style_model.load_weights(
        "style_season_model.h5", 
        by_name=True, 
        skip_mismatch=True
    )
    print("✅ Style/Season model chargé avec succès")
except Exception as e:
    print(f"❌ Erreur Style/Season: {e}")
    raise

print("\n" + "=" * 60)
print("✅ TOUS LES MODÈLES CHARGÉS")
print("=" * 60 + "\n")

# ============================================
# FONCTIONS UTILITAIRES
# ============================================

def get_dominant_color(crop):
    """Extrait la couleur dominante via K-Means"""
    try:
        img_array = np.array(crop).reshape(-1, 3)
        img_array = img_array[np.any(img_array != [0, 0, 0], axis=1)]
        
        if len(img_array) == 0:
            return "#808080"
        
        kmeans = KMeans(n_clusters=3, random_state=0, n_init=10)
        kmeans.fit(img_array)
        dominant = kmeans.cluster_centers_[0]
        
        return '#{:02x}{:02x}{:02x}'.format(
            int(dominant[0]), 
            int(dominant[1]), 
            int(dominant[2])
        ).upper()
    except:
        return "#808080"

# ============================================
# FONCTION PRINCIPALE DE DÉTECTION
# ============================================

def detect_cloth(image):
    """Détecte type, couleur, style et saison d'un vêtement"""
    
    print("\n" + "="*60)
    print("🔍 NOUVELLE DÉTECTION")
    print("="*60)
    
    try:
        # Validation
        if image is None:
            error_result = {"error": "Aucune image fournie"}
            print(f"❌ {error_result['error']}")
            return error_result
        
        # Conversion PIL
        if not isinstance(image, Image.Image):
            image = Image.fromarray(image)
        
        img = image.convert('RGB')
        w, h = img.size
        print(f"📸 Image: {w}x{h} pixels")
        
        # YOLO Detection
        print("🤖 Détection YOLO...")
        results = yolo_model(img, verbose=False)[0]
        boxes = results.boxes
        
        if not boxes or len(boxes) == 0:
            error_result = {"error": "Aucun vêtement détecté"}
            print(f"❌ {error_result['error']}")
            return error_result
        
        best_idx = boxes.conf.argmax()
        confidence = float(boxes.conf[best_idx])
        print(f"✅ Confiance: {confidence:.2%}")
        
        # Extraction
        x1, y1, x2, y2 = map(int, boxes.xyxy[best_idx])
        x1, y1 = max(0, x1), max(0, y1)
        x2, y2 = min(w, x2), min(h, y2)
        
        if x2 <= x1 or y2 <= y1:
            error_result = {"error": "Boîte de détection invalide"}
            print(f"❌ {error_result['error']}")
            return error_result
        
        cropped = img.crop((x1, y1, x2, y2))
        
        # Couleur
        print("🎨 Extraction couleur...")
        hex_color = get_dominant_color(cropped)
        print(f"✅ Couleur: {hex_color}")
        
        # Style & Saison
        print("👔 Classification...")
        resized = cropped.resize((224, 224))
        arr = np.array(resized) / 255.0
        arr = np.expand_dims(arr, axis=0)
        
        style_pred, season_pred = style_model.predict(arr, verbose=0)
        
        styles = ["casual", "formal", "sport"]
        seasons = ["summer", "winter", "fall", "spring"]
        
        style = styles[np.argmax(style_pred)]
        season = seasons[np.argmax(season_pred)]
        
        style_conf = float(np.max(style_pred))
        season_conf = float(np.max(season_pred))
        
        print(f"✅ Style: {style} ({style_conf:.2%})")
        print(f"✅ Saison: {season} ({season_conf:.2%})")
        
        # Type
        type_vetement = results.names[int(boxes.cls[best_idx])]
        print(f"✅ Type: {type_vetement}")
        
        # Résultat
        result = {
            "success": True,
            "detection": {
                "type": type_vetement,
                "color": hex_color,
                "style": style,
                "season": season
            },
            "confidence": {
                "detection": f"{confidence:.2%}",
                "style": f"{style_conf:.2%}",
                "season": f"{season_conf:.2%}"
            }
        }
        
        print("="*60)
        print("✅ DÉTECTION RÉUSSIE")
        print("="*60)
        print(json.dumps(result, indent=2))
        
        return result
        
    except Exception as e:
        error_result = {"error": f"Erreur: {str(e)}"}
        print(f"❌ {error_result['error']}")
        import traceback
        traceback.print_exc()
        return error_result

# ============================================
# INTERFACE GRADIO 5.x - AVEC API GARANTIE
# ============================================

# ✅ SOLUTION : Utiliser gr.Interface qui expose automatiquement l'API REST
# gr.Interface garantit que l'API est accessible via /api/predict dans Gradio 5.x

demo = gr.Interface(
    fn=detect_cloth,
    inputs=gr.Image(
        type="pil",
        label="📸 Photo du vêtement"
    ),
    outputs=gr.JSON(
        label="📊 Résultat de la détection"
    ),
    title="🧥 Labasni - Détection de Vêtements",
    description="""
    ## 👔 Labasni - Détection Automatique de Vêtements
    
    Cette API utilise l'intelligence artificielle pour analyser vos photos de vêtements et détecter :
    
    - 👕 **Type** : Haut, pantalon, robe, chaussures, etc.
    - 🎨 **Couleur dominante** : Code hexadécimal de la couleur principale
    - 👔 **Style** : Casual, Formel, Sport
    - 🌤️ **Saison** : Été, Hiver, Automne, Printemps
    
    ## 🚀 Comment utiliser
    
    1. **Via l'interface** : Uploadez une image ci-dessous
    2. **Via l'API** : Utilisez l'endpoint `/api/predict`
    
    ## 📡 Exemple d'appel API
    
    ```bash
    curl -X POST "https://syleto-labasni-detection.hf.space/api/predict" \\
      -H "Content-Type: application/json" \\
      -d '{"data": ["<BASE64_IMAGE>"]}'
    ```
    
    ## ⚙️ Modèles utilisés
    
    - **YOLO** (best.pt) : Détection des vêtements
    - **MobileNetV2** : Classification style/saison
    - **K-Means** : Extraction couleur dominante
    
    ---
    **Développé par** : Aziz Ben Ammar & Équipe Labasni  
    **Version** : 1.0.0  
    **Contact** : [Hugging Face Space](https://huggingface.co/spaces/Syleto/labasni-detection)
    """,
    theme=gr.themes.Soft(),
    api_name="predict"  # ✅ Expose l'endpoint /api/predict
)

# ============================================
# LANCEMENT
# ============================================

if __name__ == "__main__":
    print("\n" + "="*60)
    print("🌐 LANCEMENT DE L'INTERFACE GRADIO")
    print("="*60 + "\n")
    
    # ✅ gr.Interface expose automatiquement l'API REST dans Gradio 5.x
    demo.launch(
        server_name="0.0.0.0",
        server_port=7860,
        show_error=True,
        share=False
    )