Update tasks/audio.py

tasks/audio.py

@@ -66,22 +66,22 @@ async def evaluate_audio(request: AudioEvaluationRequest):
     logging.info("Début des prédictions par batch")
     
     for batch in dataloader:
-    input_values = batch["input_values"].numpy().astype(np.float16)  # Conversion en numpy.float16 pour économiser la mémoire
-    results = classifier(input_values)  # Pipeline en batch
-    
-        for result in results:
-            predicted_label = result[0]['label']
-            predictions.append(1 if predicted_label == 'environment' else 0)
-    
-        # Nettoyage mémoire après chaque batch
-        del input_values
-        torch.cuda.empty_cache()
-        gc.collect()
-    
-        # Log mémoire toutes les 500 prédictions
-        if len(predictions) % 500 == 0:
-            logging.info(f"Nettoyage mémoire après {len(predictions)} prédictions")
-            logging.info(f"Utilisation mémoire : {psutil.virtual_memory().percent}%")
+        input_values = batch["input_values"].numpy().astype(np.float16)  # Conversion en numpy.float16 pour économiser la mémoire
+        results = classifier(input_values)  # Pipeline en batch
+        
+            for result in results:
+                predicted_label = result[0]['label']
+                predictions.append(1 if predicted_label == 'environment' else 0)
+        
+            # Nettoyage mémoire après chaque batch
+            del input_values
+            torch.cuda.empty_cache()
+            gc.collect()
+        
+            # Log mémoire toutes les 500 prédictions
+            if len(predictions) % 500 == 0:
+                logging.info(f"Nettoyage mémoire après {len(predictions)} prédictions")
+                logging.info(f"Utilisation mémoire : {psutil.virtual_memory().percent}%")
     
     logging.info("Fin des prédictions")