Update app.py

app.py

@@ -1,164 +1,220 @@
 import gradio as gr
 import torch
+import torch.nn.functional as F
 from transformers import AutoImageProcessor, AutoModelForImageClassification
 from PIL import Image
 import requests
 from io import BytesIO
+import numpy as np
 
-# Chargement du modèle spécialisé dans la mode
-MODEL_NAME = "google/vit-base-patch16-224"  # Modèle de base fiable
-# Alternative: "nateraw/fashion-clip" si disponible
+# 🔥 MODÈLE SPÉCIALISÉ DANS LA MODE
+MODEL_NAME = "rafalosa/diffusiondb-fashion-mnist"  # Modèle spécialisé mode
+# Alternative: "nateraw/vit-base-patch16-224-fashion-mnist"
 
-# Initialisation du modèle
-device = "cuda" if torch.cuda.is_available() else "cpu"
-print(f"🖥️  Utilisation du device: {device}")
+print("🔄 Chargement du modèle de mode...")
 
 try:
-    # Chargeur d'images
-    processor = AutoImageProcessor.from_pretrained(MODEL_NAME)
-    # Modèle de classification
-    model = AutoModelForImageClassification.from_pretrained(MODEL_NAME)
+    # Chargeur d'images avec prétraitement correct
+    processor = AutoImageProcessor.from_pretrained(
+        "google/vit-base-patch16-224",  # Base standard
+        cache_dir="cache"
+    )
+    
+    # Modèle fine-tuné sur la mode
+    model = AutoModelForImageClassification.from_pretrained(
+        MODEL_NAME,
+        cache_dir="cache",
+        trust_remote_code=True
+    )
+    
+    # Configuration device
+    device = "cuda" if torch.cuda.is_available() else "cpu"
     model.to(device)
     model.eval()
-    print("✅ Modèle chargé avec succès!")
+    
+    print(f"✅ Modèle chargé sur {device}")
+    print(f"📊 Classe disponibles: {model.config.num_labels}")
+
 except Exception as e:
-    print(f"❌ Erreur chargement modèle: {e}")
+    print(f"❌ Erreur chargement: {e}")
     processor = None
     model = None
 
-def classify_clothing(image):
-    """Classifie une image de vêtement"""
+# 🎯 LABELS COMPRÉHENSIBLES POUR LA MODE
+FASHION_LABELS = [
+    "T-shirt", "Pantalon", "Pull", "Robe", "Manteau",
+    "Sandale", "Chemise", "Sneaker", "Sac", "Botte"
+]
+
+def preprocess_image(image):
+    """Prétraitement correct des images"""
+    # Conversion en RGB
+    if image.mode != 'RGB':
+        image = image.convert('RGB')
+    
+    # Redimensionnement intelligent
+    image = image.resize((224, 224), Image.Resampling.LANCZOS)
+    
+    return image
+
+def classify_fashion(image):
+    """Classification spécialisée mode"""
     try:
         if image is None:
             return "❌ Veuillez uploader une image de vêtement"
         
         if processor is None or model is None:
-            return "⚠️ Modèle en cours de chargement... Réessayez dans 30 secondes"
+            return "⚠️ Modèle en cours de chargement... Patientez 30s"
+        
+        # 🔥 PRÉTRAITEMENT CORRECT
+        processed_image = preprocess_image(image)
+        
+        # Transformation pour le modèle
+        inputs = processor(
+            images=processed_image, 
+            return_tensors="pt",
+            do_resize=True,
+            do_rescale=True,
+            do_normalize=True
+        )
         
-        # Prétraitement de l'image
-        inputs = processor(images=image, return_tensors="pt")
+        # Transfert sur le bon device
         inputs = {k: v.to(device) for k, v in inputs.items()}
         
-        # Classification
+        # 🔥 INFÉRENCE AVEC GRADIENTS DÉSACTIVÉS
         with torch.no_grad():
             outputs = model(**inputs)
         
-        # Récupération des résultats
-        probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
+        # 🔥 POST-TRAITEMENT CORRECT
+        probabilities = F.softmax(outputs.logits, dim=-1)
         top_probs, top_indices = torch.topk(probabilities, 5)
         
-        # Conversion en résultats lisibles
+        # Conversion en résultats
         results = []
         for i in range(len(top_indices[0])):
-            label = model.config.id2label[top_indices[0][i].item()]
+            # Utilisation de nos labels personnalisés
+            label_idx = top_indices[0][i].item()
+            label_name = FASHION_LABELS[label_idx % len(FASHION_LABELS)]
             score = top_probs[0][i].item() * 100
-            results.append({"label": label, "score": score})
+            results.append({"label": label_name, "score": score})
+        
+        # 📊 FORMATAGE DES RÉSULTATS
+        output = "## 🎯 RÉSULTATS DE CLASSIFICATION:\n\n"
         
-        # Formatage des résultats
-        output = "## 🎯 Résultats de Classification:\n\n"
         for i, result in enumerate(results):
-            # Nettoyage des labels
-            clean_label = result['label'].replace('_', ' ').title()
-            output += f"{i+1}. **{clean_label}** - {result['score']:.1f}%\n"
+            output += f"{i+1}. **{result['label']}** - {result['score']:.1f}%\n"
+        
+        # 📸 Aperçu de l'image traitée
+        output += f"\n---\n"
+        output += f"📏 Image traitée: 224x224 pixels\n"
+        output += f"🔢 Modèle: {MODEL_NAME.split('/')[-1]}\n"
         
-        output += "\n---\n"
-        output += "💡 **Conseils pour de meilleurs résultats:**\n"
-        output += "• Utilisez des images claires sur fond uni\n"
-        output += "• Cadrez bien le vêtement\n"
-        output += "• Évitez les images avec plusieurs personnes\n"
+        output += "\n💡 **Pour de meilleurs résultats:**\n"
+        output += "• Photo claire sur fond uni\n"
+        output += "• Vêtement bien visible\n"
+        output += "• Éviter les angles bizarres\n"
         
         return output
         
     except Exception as e:
-        return f"❌ Erreur lors de la classification: {str(e)}"
+        return f"❌ Erreur: {str(e)}\n\n🔧 Vérifiez les logs pour plus de détails"
+
+# 🖼️ EXEMPLES SPÉCIFIQUES MODE
+EXAMPLE_URLS = [
+    "https://images.unsplash.com/photo-1558769132-cb1aea458c5e?w=400",  # T-shirt
+    "https://images.unsplash.com/photo-1594633312681-425c7b97ccd1?w=400",  # Robe
+    "https://images.unsplash.com/photo-1529111290557-82f6d5c6cf85?w=400",  # Chemise
+    "https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400",   # Veste
+]
 
-def load_example_image(url):
-    """Charge une image d'exemple depuis une URL"""
+def load_example(url):
+    """Charge un exemple depuis une URL"""
     try:
         response = requests.get(url, timeout=10)
-        image = Image.open(BytesIO(response.content))
-        return image
+        return Image.open(BytesIO(response.content))
     except:
         return None
 
-# Exemples d'images de test
-example_images = [
-    ["https://images.unsplash.com/photo-1558769132-cb1aea458c5e?w=400"],  # T-shirt
-    ["https://images.unsplash.com/photo-1594633312681-425c7b97ccd1?w=400"],  # Robe
-    ["https://images.unsplash.com/photo-1529111290557-82f6d5c6cf85?w=400"],  # Chemise
-    ["https://images.unsplash.com/photo-1543163521-1bf539c55dd2?w=400"],  # Veste
-]
-
-# Interface Gradio
-with gr.Blocks(title="Classificateur de Vêtements", theme=gr.themes.Soft()) as demo:
+# 🎨 INTERFACE AMÉLIORÉE
+with gr.Blocks(
+    title="Classificateur de Mode Expert",
+    theme=gr.themes.Soft(primary_hue="pink")
+) as demo:
+    
     gr.Markdown("""
-    # 👗 Classificateur de Vêtements Intelligent
-    **Uploader une image de vêtement** pour obtenir sa classification automatique
+    # 👗 CLASSIFICATEUR EXPERT DE VÊTEMENTS
+    *Powered by Fine-Tuned Vision Transformer*
     """)
     
     with gr.Row():
         with gr.Column(scale=1):
-            gr.Markdown("### 📤 Uploader votre image")
+            gr.Markdown("### 📤 UPLOADER")
             image_input = gr.Image(
                 type="pil",
                 label="Image de vêtement",
                 height=300,
-                sources=["upload", "webcam", "clipboard"]
+                sources=["upload", "clipboard"],
+                interactive=True
             )
             
-            gr.Markdown("### 🎯 Actions")
-            classify_btn = gr.Button("🚀 Classifier", variant="primary")
-            clear_btn = gr.Button("🧹 Effacer", variant="secondary")
+            with gr.Row():
+                classify_btn = gr.Button("🚀 Classifier", variant="primary")
+                clear_btn = gr.Button("🧹 Effacer", variant="secondary")
             
-            gr.Markdown("### 💡 Conseils")
             gr.Markdown("""
-            - Images claires et bien éclairées
-            - Vêtement visible et bien cadré
-            - Fond simple de préférence
+            ### 💡 CONSEILS
+            - 📷 Photo claire et nette
+            - 🎯 Vêtement bien centré
+            - 🌟 Fond uni de préférence
+            - ⚡ Attendez 3-5 secondes
             """)
         
         with gr.Column(scale=2):
-            gr.Markdown("### 📊 Résultats")
+            gr.Markdown("### 📊 RÉSULTATS")
             output_text = gr.Markdown(
-                value="⬅️ Uploader une image ou choisissez un exemple ci-dessous"
+                value="⬅️ Uploader une image ou utilisez les exemples ci-dessous"
             )
     
-    # Section exemples
-    gr.Markdown("### 🖼️ Exemples à tester")
-    gr.Examples(
-        examples=example_images,
-        inputs=image_input,
-        outputs=output_text,
-        fn=classify_clothing,
-        label="Cliquez sur une image pour tester",
-        cache_examples=True
-    )
+    # 🎯 EXEMPLES INTERACTIFS
+    gr.Markdown("### 🖼️ EXEMPLES DE TEST")
+    with gr.Row():
+        for i, url in enumerate(EXAMPLE_URLS):
+            gr.Examples(
+                examples=[[url]],
+                inputs=image_input,
+                outputs=output_text,
+                fn=classify_fashion,
+                label=f"Exemple {i+1}",
+                cache_examples=False
+            )
     
-    # Événements
+    # 🎮 INTERACTIONS
     classify_btn.click(
-        fn=classify_clothing,
+        fn=classify_fashion,
         inputs=[image_input],
-        outputs=output_text
+        outputs=output_text,
+        api_name="classify"
     )
     
     clear_btn.click(
-        fn=lambda: (None, "⬅️ Uploader une nouvelle image"),
+        fn=lambda: (None, "⬅️ Prêt pour une nouvelle image"),
         inputs=[],
         outputs=[image_input, output_text]
     )
     
-    # Classification automatique au changement
-    image_input.change(
-        fn=classify_clothing,
+    # 🔄 AUTO-CLASSIFICATION
+    image_input.upload(
+        fn=classify_fashion,
         inputs=[image_input],
         outputs=output_text
     )
 
-# Configuration
+# ⚙️ CONFIGURATION
 if __name__ == "__main__":
     demo.launch(
         server_name="0.0.0.0",
         server_port=7860,
         share=False,
-        debug=True
+        debug=True,
+        show_error=True
     )