Update app.py

app.py

@@ -2,13 +2,14 @@ import gradio as gr
 from transformers import ViTImageProcessor, ViTForImageClassification
 from PIL import Image
 import torch
+import os
 
 # --- Chargement du modèle et du processeur ---
-# Modèle de base ViT pré-entraîné sur ImageNet (beaucoup mieux que "beans")
-# C'est une solution temporaire en attendant de fine-tuner sur le dataset mode
+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"""
@@ -34,11 +35,9 @@ def predict(image):
         for i, (prob, idx) in enumerate(zip(top_probs, top_indices)):
             pred_label = model.config.id2label[idx.item()]
             confidence = prob.item()
-            # N'afficher que si la confiance est > 10%
-            if confidence > 0.1:
+            if confidence > 0.1:  # Seuil de confiance à 10%
                 predictions.append(f"{pred_label}: {confidence:.2%}")
         
-        # Si aucune prédiction n'a une confiance suffisante
         if not predictions:
             return "Je ne suis pas sûr de reconnaître cet item. Essayez avec une image plus claire."
         
@@ -51,17 +50,10 @@ def predict(image):
 title = "Fashion Item Classifier"
 description = (
     "Upload an image of a clothing item, and I will classify it. "
-    "⚠️ This is a general-purpose model. For better accuracy on fashion items, "
+    "This is a general-purpose model (ImageNet). For better accuracy on fashion items, "
     "a specialized model is needed."
 )
 
-# Exemples d'images (ajoutez vos propres exemples plus tard)
-examples = [
-    ["shirt_example.jpg"],
-    ["shoe_example.jpg"],
-    ["dress_example.jpg"]
-]
-
 # Création de l'interface
 demo = gr.Interface(
     fn=predict,
@@ -69,10 +61,18 @@ demo = gr.Interface(
     outputs=gr.Textbox(label="Classification Results"),
     title=title,
     description=description,
-    examples=examples,
-    allow_flagging="never"
+    allow_flagging="never",
+    examples=[
+        ["https://images.unsplash.com/photo-1552374196-c4e7ffc6e126?w=400"],  # T-shirt example
+        ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400"]   # Shoe example
+    ]
 )
 
-# Lancement de l'application
+# Lancement de l'application - CONFIGURATION SPÉCIFIQUE POUR HUGGING FACE SPACES
 if __name__ == "__main__":
-    demo.launch(debug=True, share=False)
+    # Cette configuration est cruciale pour Hugging Face Spaces
+    demo.launch(
+        debug=True,
+        server_name="0.0.0.0",  # Important pour les conteneurs Docker
+        server_port=int(os.environ.get("PORT", 7860))  Utilise le port de l'environnement Spaces
+    )