app.py

import gradio as gr
from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import torch
import os

# --- Chargement du modèle et du processeur ---
print("Loading model and processor...")
model_name = "google/vit-base-patch16-224"
processor = ViTImageProcessor.from_pretrained(model_name)
model = ViTForImageClassification.from_pretrained(model_name)
print("Model loaded successfully!")

def predict(image):
    """Fonction de prédiction avec gestion d'erreurs et seuil de confiance"""
    try:
        # Conversion vers RGB pour éviter les erreurs de canaux
        if image.mode != 'RGB':
            image = image.convert('RGB')
        
        # Pré-traitement de l'image
        inputs = processor(images=image, return_tensors="pt")
        
        # Prédiction
        with torch.no_grad():
            outputs = model(**inputs)
            logits = outputs.logits
        
        # Application de softmax pour obtenir les probabilités
        probabilities = torch.nn.functional.softmax(logits, dim=-1)[0]
        top_probs, top_indices = torch.topk(probabilities, 5)  # Top 5 predictions
        
        # Formatage des résultats sous forme de dictionnaire pour l'affichage
        results = {}
        for prob, idx in zip(top_probs, top_indices):
            pred_label = model.config.id2label[idx.item()]
            confidence = prob.item()
            if confidence > 0.01:  # Seuil de confiance à 1%
                results[pred_label] = confidence
        
        if not results:
            return {"Aucune prédiction fiable": 0.0}, "Je ne suis pas sûr de reconnaître cet item. Essayez avec une image plus claire."
        
        # Créer un message de résultat
        top_prediction = list(results.items())[0]
        message = f"🏷️ Prédiction principale: {top_prediction[0]} ({top_prediction[1]:.2%})"
        
        return results, message
        
    except Exception as e:
        return {"Erreur": 0.0}, f"Une erreur s'est produite: {str(e)}"

# Interface Gradio améliorée
with gr.Blocks(title="Fashion Classifier", theme=gr.themes.Soft()) as demo:
    gr.Markdown("# 👗 Fashion Item Classifier")
    gr.Markdown("Téléchargez une image de vêtement pour le classer automatiquement")
    
    with gr.Row():
        with gr.Column(scale=1):
            image_input = gr.Image(
                type="pil", 
                label="Image du vêtement",
                height=300,
                sources=["upload", "webcam", "clipboard"]
            )
            upload_btn = gr.Button("🚀 Analyser l'image", variant="primary")
        
        with gr.Column(scale=1):
            label_output = gr.Label(
                label="Résultats de classification",
                num_top_classes=5
            )
            text_output = gr.Textbox(
                label="Conclusion",
                interactive=False
            )
    
    # Exemples
    gr.Examples(
        examples=[
            ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126?w=300"],  # T-shirt
            ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=300"],  # Chaussures
            ["https://images.unsplash.com/photo-1594633312681-425c7b97ccd1?w=300"]   # Robe
        ],
        inputs=image_input,
        label="Exemples d'images à tester"
    )
    
    # Instructions
    gr.Markdown("""
    ### 📋 Instructions
    - Téléchargez une image claire d'un vêtement
    - L'image doit montrer le vêtement de face
    - Fond uni recommandé pour de meilleurs résultats
    - Cliquez sur 'Analyser l'image' pour obtenir la classification
    """)
    
    # Liaison du bouton
    upload_btn.click(
        fn=predict,
        inputs=image_input,
        outputs=[label_output, text_output]
    )
    
    # Liaison aussi quand on upload une image
    image_input.upload(
        fn=predict,
        inputs=image_input,
        outputs=[label_output, text_output]
    )

# Lancement de l'application
if __name__ == "__main__":
    demo.launch(
        debug=True,
        server_name="0.0.0.0",
        server_port=int(os.environ.get("PORT", 7860))
    )