.

.dockerignore

@@ -0,0 +1,8 @@
+__pycache__/
+*.pyc
+*.pyo
+*.pyd
+*.log
+.git
+.gitignore
+.venv/

.gitignore

@@ -0,0 +1,6 @@
+__pycache__/
+*.pyc
+*.pyo
+*.pyd
+*.log
+.venv/

Dockerfile

@@ -0,0 +1,36 @@
+# Dockerfile
+
+# Python slim 이미지를 기반으로 사용 (용량 절감)
+FROM python:3.10-slim
+
+# 필요한 환경 변수 설정
+ENV PYTHONUNBUFFERED 1
+ENV APP_HOME /app
+WORKDIR $APP_HOME
+
+# 시스템 패키지 설치: OpenCV가 필요로 하는 패키지
+RUN apt-get update && \
+    apt-get install -y --no-install-recommends \
+    libgl1-mesa-glx \
+    libsm6 \
+    libxext6 \
+    libxrender1 && \
+    rm -rf /var/lib/apt/lists/*
+
+# requirements.txt 복사 및 설치
+COPY requirements.txt .
+RUN pip install --no-cache-dir --upgrade pip
+RUN pip install --no-cache-dir -r requirements.txt
+
+# 애플리케이션 코드 복사
+COPY app.py .
+
+# 인덱스 파일들이 위치할 'data' 폴더 생성 및 파일 복사
+# FAISS 인덱스 파일과 pickle 파일은 미리 이 폴더에 넣어야 합니다.
+RUN mkdir -p data
+# COPY ./data/faiss_index_v2.index data/
+# COPY ./data/faiss_labels_v2.pkl data/
+# (주: 위의 두 줄은 실제로 인덱스 파일을 repo에 추가한 후 주석을 해제해야 합니다.)
+
+# FastAPI 앱 실행 (Hugging Face Spaces 기본 포트 7860 사용)
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

README.md

@@ -8,3 +8,7 @@ pinned: false
 ---
 
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+
+py -3.10 -m uv venv venv
+
+.\venv\Scripts\Activate.ps1

app.py

@@ -0,0 +1,142 @@
+import os
+import cv2
+import numpy as np
+import pickle
+import faiss
+from insightface.app import FaceAnalysis
+from fastapi import FastAPI, UploadFile, File, HTTPException
+from io import BytesIO
+
+# 1. FastAPI 애플리케이션 인스턴스 생성
+app = FastAPI(
+    title="InsightFace Face Recognition API",
+    description="InsightFace (buffalo_l)를 사용한 얼굴 인식 및 FAISS 인덱스 검색 API"
+)
+
+# 모델 및 인덱스 전역 변수
+model = None
+index = None
+labels = None
+
+# 🚀 환경 설정: Docker 환경에서는 모델/인덱스 파일을 프로젝트 디렉토리에 배치합니다.
+# 인덱스 파일은 /app/data 폴더에 있다고 가정합니다.
+LOAD_DIR = "data"
+FAISS_INDEX_FILE = os.path.join(LOAD_DIR, "faiss_index_v2.index")
+LABELS_FILE = os.path.join(LOAD_DIR, "faiss_labels_v2.pkl")
+
+# ✅ 1. 모델 및 인덱스 준비 (서버 시작 시 한 번만 실행)
+@app.on_event("startup")
+async def startup_event():
+    global model, index, labels
+    print("🚀 서버 시작: InsightFace 모델 및 FAISS 인덱스 로딩 중...")
+
+    # InsightFace ArcFace 모델 준비
+    try:
+        # CPUExecutionProvider 사용 (GPU가 없는 환경/Docker에 적합)
+        model = FaceAnalysis(name='buffalo_l', providers=['CPUExecutionProvider'])
+        model.prepare(ctx_id=0)
+        print("✅ InsightFace model (buffalo_l) 로딩 완료.")
+    except Exception as e:
+        print(f"❌ InsightFace 모델 로딩 실패: {e}")
+        raise HTTPException(status_code=500, detail=f"모델 로딩 실패: {e}")
+
+    # 인덱스 & 라벨 로딩
+    try:
+        if not os.path.exists(FAISS_INDEX_FILE) or not os.path.exists(LABELS_FILE):
+             print(f"❌ FAISS 파일이 없습니다. 경로 확인: {LOAD_DIR}")
+             raise FileNotFoundError(f"필요한 FAISS 인덱스 파일 혹은 라벨 파일이 없습니다.")
+        
+        index = faiss.read_index(FAISS_INDEX_FILE)
+        with open(LABELS_FILE, "rb") as f:
+            labels = pickle.load(f)
+        print(f"✅ FAISS 인덱스 로딩 완료. 총 {index.ntotal}개의 임베딩 로드.")
+    except Exception as e:
+        print(f"❌ FAISS 인덱스 로딩 실패: {e}")
+        raise HTTPException(status_code=500, detail=f"FAISS 로딩 실패: {e}")
+    
+# 🚀 얼굴 임베딩 추출 함수 (원본 임베딩만 추출)
+def get_face_embedding(img_np):
+    """
+    Numpy 배열 형태의 이미지에서 얼굴 임베딩을 추출합니다.
+    """
+    global model
+    if model is None:
+        raise HTTPException(status_code=500, detail="모델이 초기화되지 않았습니다.")
+
+    # BGR을 RGB로 변환 (InsightFace 모델은 RGB를 선호)
+    img = cv2.cvtColor(img_np, cv2.COLOR_BGR2RGB)
+    faces = model.get(img)
+    
+    if faces:
+        return faces[0].embedding
+    else:
+        return None
+    
+
+
+# --- API 엔드포인트 정의 ---
+# 3. 루트 엔드포인트 (GET /)
+@app.get("/")
+def read_root():
+    result={"success":True,"data":None,"msg":""}
+    try:
+        result["data"]="ok"
+        return result
+    except Exception as e:
+        result["success"] = False
+        result["msg"]=f"server error. {e!r}"
+        return result
+    
+# 🚀 얼굴 예측 API 엔드포인트
+@app.post("/predict_person/")
+async def predict_person(
+    image: UploadFile = File(..., description="분석할 얼굴 이미지 파일"),
+    top_k: int = 1
+):
+    """
+    업로드된 이미지에서 얼굴을 인식하고, FAISS 인덱스를 사용하여 가장 유사한 인물을 예측합니다.
+    """
+    global index, labels
+
+    # 1. 이미지 파일 읽기
+    content = await image.read()
+    np_array = np.frombuffer(content, np.uint8)
+    img_np = cv2.imdecode(np_array, cv2.IMREAD_COLOR)
+
+    if img_np is None:
+        raise HTTPException(status_code=400, detail="이미지 파일을 읽을 수 없습니다.")
+
+    # 2. 얼굴 임베딩 추출
+    embedding = get_face_embedding(img_np)
+    
+    if embedding is None:
+        raise HTTPException(status_code=404, detail="이미지에서 얼굴을 인식할 수 없습니다.")
+
+    # 3. 임베딩 정규화
+    embedding = embedding.astype('float32')
+    embedding /= np.linalg.norm(embedding)
+
+    # 쿼리 형식에 맞게 [1, D] 형태로 변환
+    query_vector = np.array([embedding])
+
+    # 4. 유사도 검색
+    # top_k는 최대 인덱스 크기(index.ntotal)를 초과할 수 없습니다.
+    k = min(top_k, index.ntotal)
+    scores, indices = index.search(query_vector, k)
+
+    # 5. 결과 포맷팅
+    results = []
+    for idx, score in zip(indices[0], scores[0]):
+        # labels[idx]는 인덱스에 저장된 임베딩 중 가장 유사한 임베딩의 라벨
+        results.append({
+            "rank": len(results) + 1,
+            "person_id": labels[idx],
+            "similarity_score": float(f"{score:.4f}")
+        })
+        
+    return {"filename": image.filename, "predictions": results}
+
+
+if __name__ == "__main__":
+    # --reload 옵션을 ���가하여 코드가 변경될 때마다 자동 재시작되게 설정합니다.
+    uvicorn.run("app:app", host="0.0.0.0", port=8000, reload=True)

requirements.txt

@@ -0,0 +1,2 @@
+fastapi
+uvicorn[standard]