retrain_with_openl3.py

#!/usr/bin/env python3
"""
Script pour réentraîner le classifier avec les embeddings OpenL3
"""
import numpy as np
import joblib
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, accuracy_score
from inference_service import preprocess_audio, generate_embeddings

def train_classifier_with_openl3():
    """
    Entraîner un nouveau classifier avec vos données audio + OpenL3
    """
    print("=" * 60)
    print("RÉENTRAÎNEMENT DU CLASSIFIER AVEC OPENL3")
    print("=" * 60)
    
    # TODO: Remplacez ceci par vos vrais chemins de données
    # Format attendu:
    # - audio_files_pneumonia: liste de chemins vers fichiers audio de pneumonie
    # - audio_files_normal: liste de chemins vers fichiers audio normaux
    
    audio_files_pneumonia = [
        # "path/to/pneumonia_sample1.wav",
        # "path/to/pneumonia_sample2.wav",
        # ...
    ]
    
    audio_files_normal = [
        # "path/to/normal_sample1.wav",
        # "path/to/normal_sample2.wav",
        # ...
    ]
    
    if not audio_files_pneumonia or not audio_files_normal:
        print("❌ ERREUR: Vous devez fournir vos fichiers audio d'entraînement")
        print("Éditez ce script et ajoutez les chemins dans audio_files_pneumonia et audio_files_normal")
        return
    
    print(f"Fichiers pneumonie: {len(audio_files_pneumonia)}")
    print(f"Fichiers normaux: {len(audio_files_normal)}")
    
    # Générer les embeddings
    X = []
    y = []
    
    print("\n🔄 Génération des embeddings pour pneumonie...")
    for audio_file in audio_files_pneumonia:
        clips = preprocess_audio(audio_file)
        if len(clips) > 0:
            embeddings = generate_embeddings(clips)
            # Moyenne des embeddings de tous les clips
            X.append(np.mean(embeddings, axis=0))
            y.append(1)  # Pneumonie
    
    print("🔄 Génération des embeddings pour fichiers normaux...")
    for audio_file in audio_files_normal:
        clips = preprocess_audio(audio_file)
        if len(clips) > 0:
            embeddings = generate_embeddings(clips)
            X.append(np.mean(embeddings, axis=0))
            y.append(0)  # Normal
    
    X = np.array(X)
    y = np.array(y)
    
    print(f"\n✅ Dataset créé: {X.shape[0]} samples, {X.shape[1]} features")
    print(f"   Pneumonie: {np.sum(y == 1)}, Normal: {np.sum(y == 0)}")
    
    # Split train/test
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=0.2, random_state=42, stratify=y
    )
    
    print(f"\n📊 Train: {len(X_train)} samples")
    print(f"📊 Test: {len(X_test)} samples")
    
    # Entraîner plusieurs modèles
    models = {
        "LogisticRegression": LogisticRegression(max_iter=1000, random_state=42),
        "RandomForest": RandomForestClassifier(n_estimators=100, random_state=42),
    }
    
    best_model = None
    best_score = 0
    best_name = ""
    
    for name, model in models.items():
        print(f"\n🤖 Entraînement: {name}")
        model.fit(X_train, y_train)
        
        y_pred = model.predict(X_test)
        accuracy = accuracy_score(y_test, y_pred)
        
        print(f"   Accuracy: {accuracy:.4f}")
        print(classification_report(y_test, y_pred, 
                                   target_names=['Normal', 'Pneumonia']))
        
        if accuracy > best_score:
            best_score = accuracy
            best_model = model
            best_name = name
    
    print(f"\n🏆 Meilleur modèle: {best_name} (Accuracy: {best_score:.4f})")
    
    # Sauvegarder
    output_path = "pneumonia_classifier_openl3.joblib"
    joblib.dump(best_model, output_path)
    print(f"✅ Modèle sauvegardé: {output_path}")
    
    print("\n⚠️  IMPORTANT: Renommez ce fichier en 'pneumonia_classifier.joblib'")
    print("   ou mettez à jour app.py pour utiliser 'pneumonia_classifier_openl3.joblib'")

if __name__ == "__main__":
    train_classifier_with_openl3()