Update app.py

app.py

@@ -6,11 +6,9 @@ Nouveau endpoint /extract-features-frames :
   → Identique au pipeline d'entraînement Kaggle
 """
 
-from fastapi import FastAPI, UploadFile, File, HTTPException
+from fastapi import FastAPI, UploadFile, File, HTTPException, Form
 from fastapi.middleware.cors import CORSMiddleware
 from fastapi.responses import JSONResponse
-from pydantic import BaseModel
-from typing import List
 import numpy as np
 import cv2
 import torch
@@ -62,11 +60,6 @@ app.add_middleware(
 )
 
 
-# ── Modèle de requête pour les frames ────────────────────────
-class FramesRequest(BaseModel):
-    frames: List[str]   # liste de 16 strings base64 JPEG (224×224)
-
-
 # ── Helper : base64 → numpy (H, W, 3) uint8 ──────────────────
 def b64_to_frame(b64str: str) -> np.ndarray:
     img_bytes = base64.b64decode(b64str)
@@ -122,25 +115,29 @@ def health():
 
 
 @app.post("/extract-features-frames")
-async def extract_features_frames(req: FramesRequest):
+async def extract_features_frames(frames_json: str = Form(...)):
     """
-    Reçoit : { "frames": ["<base64_jpeg>", ...] }  (16 frames 224×224)
+    Reçoit : FormData { frames_json: "['<base64>', ...]" }
     Retourne: { "features": [[...], ...], "shape": [8, 768] }
-
-    Les frames doivent être croppées sur la bouche côté browser
-    (MediaPipe FaceMesh) — exactement comme le dataset d'entraînement.
+    Utilise FormData (multipart) pour éviter le preflight CORS de HuggingFace.
     """
     if vmae_model is None:
         raise HTTPException(status_code=503, detail="VideoMAE non chargé")
 
-    n = len(req.frames)
+    try:
+        import json as _json
+        frames_list = _json.loads(frames_json)
+    except Exception:
+        raise HTTPException(status_code=422, detail="frames_json invalide")
+
+    n = len(frames_list)
     if n == 0:
         raise HTTPException(status_code=422, detail="Aucune frame reçue")
 
-    # Padding ou troncature à 16 frames
-    frames_b64 = req.frames[:NUM_FRAMES]
+    # Padding ou troncature à NUM_FRAMES
+    frames_b64 = frames_list[:NUM_FRAMES]
     while len(frames_b64) < NUM_FRAMES:
-        frames_b64.append(frames_b64[-1])  # répète la dernière frame
+        frames_b64.append(frames_b64[-1])
 
     try:
         frames_np = [b64_to_frame(f) for f in frames_b64]
@@ -155,7 +152,7 @@ async def extract_features_frames(req: FramesRequest):
 
     return JSONResponse({
         "features": features.tolist(),
-        "shape": list(features.shape),   # [8, 768]
+        "shape": list(features.shape),
         "model_id": VMAE_MODEL_ID,
         "frames_received": n,
     })