Create app.py

app.py

@@ -0,0 +1,164 @@
+import gradio as gr
+import torch
+from transformers import AutoImageProcessor, AutoModelForImageClassification
+from PIL import Image
+import requests
+from io import BytesIO
+
+# Chargement du modèle spécialisé dans la mode
+MODEL_NAME = "google/vit-base-patch16-224"  # Modèle de base fiable
+# Alternative: "nateraw/fashion-clip" si disponible
+
+# Initialisation du modèle
+device = "cuda" if torch.cuda.is_available() else "cpu"
+print(f"🖥️  Utilisation du device: {device}")
+
+try:
+    # Chargeur d'images
+    processor = AutoImageProcessor.from_pretrained(MODEL_NAME)
+    # Modèle de classification
+    model = AutoModelForImageClassification.from_pretrained(MODEL_NAME)
+    model.to(device)
+    model.eval()
+    print("✅ Modèle chargé avec succès!")
+except Exception as e:
+    print(f"❌ Erreur chargement modèle: {e}")
+    processor = None
+    model = None
+
+def classify_clothing(image):
+    """Classifie une image de vêtement"""
+    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"
+        
+        # Prétraitement de l'image
+        inputs = processor(images=image, return_tensors="pt")
+        inputs = {k: v.to(device) for k, v in inputs.items()}
+        
+        # Classification
+        with torch.no_grad():
+            outputs = model(**inputs)
+        
+        # Récupération des résultats
+        probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
+        top_probs, top_indices = torch.topk(probabilities, 5)
+        
+        # Conversion en résultats lisibles
+        results = []
+        for i in range(len(top_indices[0])):
+            label = model.config.id2label[top_indices[0][i].item()]
+            score = top_probs[0][i].item() * 100
+            results.append({"label": label, "score": score})
+        
+        # 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 += "\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"
+        
+        return output
+        
+    except Exception as e:
+        return f"❌ Erreur lors de la classification: {str(e)}"
+
+def load_example_image(url):
+    """Charge une image d'exemple depuis une URL"""
+    try:
+        response = requests.get(url, timeout=10)
+        image = Image.open(BytesIO(response.content))
+        return image
+    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:
+    gr.Markdown("""
+    # 👗 Classificateur de Vêtements Intelligent
+    **Uploader une image de vêtement** pour obtenir sa classification automatique
+    """)
+    
+    with gr.Row():
+        with gr.Column(scale=1):
+            gr.Markdown("### 📤 Uploader votre image")
+            image_input = gr.Image(
+                type="pil",
+                label="Image de vêtement",
+                height=300,
+                sources=["upload", "webcam", "clipboard"]
+            )
+            
+            gr.Markdown("### 🎯 Actions")
+            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
+            """)
+        
+        with gr.Column(scale=2):
+            gr.Markdown("### 📊 Résultats")
+            output_text = gr.Markdown(
+                value="⬅️ Uploader une image ou choisissez un exemple 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
+    )
+    
+    # Événements
+    classify_btn.click(
+        fn=classify_clothing,
+        inputs=[image_input],
+        outputs=output_text
+    )
+    
+    clear_btn.click(
+        fn=lambda: (None, "⬅️ Uploader une nouvelle image"),
+        inputs=[],
+        outputs=[image_input, output_text]
+    )
+    
+    # Classification automatique au changement
+    image_input.change(
+        fn=classify_clothing,
+        inputs=[image_input],
+        outputs=output_text
+    )
+
+# Configuration
+if __name__ == "__main__":
+    demo.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        debug=True
+    )