README.md

---
title: SecureML
emoji: 😻
colorFrom: purple
colorTo: red
sdk: docker
app_file: app.py
pinned: false
license: mit
short_description: 成大資安計畫使用
---

# SecureMLAPI

這個專案提供一個 FastAPI 服務，用來判斷圖片中是否有人。

目前已整合兩種推論後端：

- `ppnet_baseline`：使用 `people_detection_baseline/baseline_40_model.pt.tar`
- `resnet18_presence`：使用 `best_global_model_presence.pt`

預設模型是 `ppnet_baseline`。

## 開發環境

請使用 `uv` 安裝依賴與執行指令。

```bash
uv sync
```

## 啟動服務

```bash
uv run uvicorn app:app --host 0.0.0.0 --port 8000 --reload
```

啟動後可使用以下路徑：

- `/docs`：Swagger UI
- `/health`：健康檢查
- `/predict`：上傳圖片並取得 JSON 推論結果
- `/demo`：簡易網頁測試介面

## 切換模型

目前不需要從 HTML 介面切換模型，直接用程式設定即可。

### 方式一：用環境變數切換

```bash
SECUREML_MODEL=ppnet_baseline uv run uvicorn app:app --host 0.0.0.0 --port 8000
```

```bash
SECUREML_MODEL=resnet18_presence uv run uvicorn app:app --host 0.0.0.0 --port 8000
```

### 方式二：修改預設值

可直接修改 `model_service.py` 裡的：

```python
DEFAULT_MODEL_NAME = os.getenv("SECUREML_MODEL", "ppnet_baseline")
```

以及 `MODEL_CONFIGS` 中對應模型的設定。

## 本地推論

專案提供 `inference.py`，可直接對單張圖片做推論：

```bash
uv run python inference.py --image person.jpg
```

指定模型：

```bash
uv run python inference.py --image person.jpg --model ppnet_baseline
```

```bash
uv run python inference.py --image person.jpg --model resnet18_presence
```

## API 使用方式

使用 `curl` 呼叫 `/predict`：

```bash
curl -X POST \
  -F "file=@person.jpg" \
  http://127.0.0.1:8000/predict
```

回傳格式範例：

```json
{
  "label": "person",
  "prediction_index": 1,
  "probabilities": {
    "no_person": 0.0,
    "person": 1.0
  },
  "model_name": "ppnet_baseline",
  "model_backend": "ppnet",
  "model_path": "baseline_40_model.pt.tar",
  "filename": "person.jpg",
  "content_type": "image/jpeg"
}
```

## 目前模型設定位置

模型切換與設定集中在 `model_service.py`：

- `MODEL_CONFIGS`：定義可用模型
- `DEFAULT_MODEL_NAME`：定義預設模型
- `get_model_service()`：建立對應推論服務

如果之後要新增模型，建議直接在 `MODEL_CONFIGS` 增加一筆設定，並在 `_load_model()` 補上對應後端載入方式。

## 驗證

可先做基本語法檢查：

```bash
uv run python -m py_compile app.py main.py inference.py model_service.py protopnet.py
```