first

Dockerfile

@@ -17,8 +17,8 @@ RUN pip install --no-cache-dir -r requirements.txt
 # Copier ton code
 COPY . .
 
-# Exposer le port (HF attend généralement 7860, mais 8000 marche aussi)
-EXPOSE 8000
+
+EXPOSE 7860
 
 # Lancer FastAPI avec Uvicorn
-CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,11 +1,50 @@
 from fastapi import FastAPI
+from pydantic import BaseModel
+import joblib
+import boto3
+import os
+import io
+import uvicorn
+import numpy as np
+from dotenv import load_dotenv
 
-app = FastAPI()
+# Charger les secrets (.env ou .secrets)
+load_dotenv(dotenv_path='.secrets')
 
-@app.get("/")
-def read_root():
-    return {"status": "ok"}
+# Initialiser l'app FastAPI
+app = FastAPI(title="GetAround Pricing API")
+
+# Config S3
+S3_BUCKET = os.getenv("S3_BUCKET")
+MODEL_KEY = os.getenv("MODEL_KEY")
+
+# Connexion S3
+s3 = boto3.client(
+    "s3",
+    aws_access_key_id=os.getenv("AWS_ACCESS_KEY_ID"),
+    aws_secret_access_key=os.getenv("AWS_SECRET_ACCESS_KEY")
+)
+
+# Charger le modèle depuis S3
+def load_model_from_s3(bucket, key):
+    print(f"Téléchargement du modèle depuis s3://{bucket}/{key}")
+    response = s3.get_object(Bucket=bucket, Key=key)
+    bytestream = io.BytesIO(response["Body"].read())
+    return joblib.load(bytestream)
+
+model = load_model_from_s3(S3_BUCKET, MODEL_KEY)
+
+# Définition du format d'entrée
+class InputData(BaseModel):
+    input: list
 
 @app.post("/predict")
-def predict(data: dict):
-    return {"prediction": [42]}
+def predict(data: InputData):
+    X = np.array(data.input)
+    preds = model.predict(X)
+    return {"prediction": preds.tolist()}
+
+@app.get("/")
+def home():
+    return {"message": "Bienvenue sur l'API GetAround Pricing! Utilisez /predict pour faire une prédiction."}
+

runtime.txt

@@ -1 +0,0 @@
-python-3.10