app.py

from transformers import DetrImageProcessor, DetrForObjectDetection
import torch
from PIL import Image
import requests

# Fonction pour envoyer l'email via Mailtrap
def send_email(api_key, inbox_id, subject, content, from_email, to_email):
    url = f"https://mailtrap.io/api/v1/inboxes/{inbox_id}/messages"
    headers = {
        "Api-Token": api_key,
        "Content-Type": "application/json"
    }
    data = {
        "from": from_email,
        "to": to_email,
        "subject": subject,
        "text": content
    }
    response = requests.post(url, headers=headers, json=data)
    
    # Debug: Print the raw response
    print(f"Response content: {response.text}")

    # Check if response is empty or not JSON
    try:
        response_json = response.json()
    except ValueError:
        response_json = {}
    
    return response.status_code, response_json


# Fonction pour générer du texte avec Gemini
def generate_text_with_gemini(api_key, prompt):
    url = "https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-flash-latest:generateContent?key=AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38'"  # Remplacez par l'URL correcte de l'API Gemini
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    data = {
        "prompt": prompt,
        "max_tokens": 150,  # Ajustez en fonction de vos besoins
        "temperature": 0.7  # Ajustez en fonction de vos besoins
    }
    response = requests.post(url, headers=headers, json=data)
    response_data = response.json()
    return response_data.get('text', '')

# URL de l'image d'exemple
url = "https://www.saint-genes.com/wp-content/uploads/2019/10/DSC05405.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# Téléchargement du modèle sans la dépendance 'timm'
processor = DetrImageProcessor.from_pretrained("facebook/detr-resnet-50", revision="no_timm")
model = DetrForObjectDetection.from_pretrained("facebook/detr-resnet-50", revision="no_timm")

# Préparer l'image pour le modèle
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

# Post-traitement des résultats pour obtenir les boîtes englobantes et les labels
target_sizes = torch.tensor([image.size[::-1]])
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.9)[0]

# Compter le nombre de personnes détectées
persons = 0
for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
    if model.config.id2label[label.item()] == 'person':
        persons += 1

expected_number_of_persons = 10  # Nombre attendu de personnes
absents = expected_number_of_persons - persons

# Générer le contenu de l'email avec Gemini
prompt = f"Notifier de l'absence: Le nombre de personnes présentes est de {persons}. Le nombre d'absents est de {absents}."
gemini_api_key = "AIzaSyCJVUr-76I4TL42X98d9U0THbRD3MKlB38"
email_content = generate_text_with_gemini(gemini_api_key, prompt)

# Définir les variables pour l'email
email_subject = "Notification d'absents"
from_email = "your-email@example.com"
to_email = "recipient@example.com"

# Clés API Mailtrap et informations d'email
mailtrap_api_key = "0dfd557dc980d49b306ae8647a9fa585"
inbox_id = "3128145"

# Envoyer l'email
status_code, response_json = send_email(mailtrap_api_key, inbox_id, email_subject, email_content, from_email, to_email)
print(f"Email sent with status code {status_code}: {response_json}")