Spaces:
Running
Running
File size: 2,773 Bytes
7364060 f6210c2 3b62419 7077928 3b62419 7364060 7077928 3b62419 7364060 f6210c2 7364060 f6210c2 7364060 7077928 3b62419 f6210c2 7364060 f6210c2 7077928 7364060 7077928 f6210c2 3b62419 7364060 f6210c2 7077928 3b62419 f6210c2 7077928 3b62419 7077928 3b62419 f6210c2 3b62419 7077928 3b62419 779723a 7364060 7077928 f6210c2 3b62419 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 |
from fastapi import FastAPI, File, UploadFile, HTTPException
from transformers import SegformerForSemanticSegmentation, SegformerImageProcessor
import torch
from PIL import Image
import numpy as np
import io
import base64
import logging
# Inizializza l'app FastAPI
app = FastAPI()
# Configura il logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
# Carica il modello e il processore SegFormer
try:
logger.info("Caricamento del modello SegFormer...")
model = SegformerForSemanticSegmentation.from_pretrained("sayeed99/segformer-b3-fashion")
processor = SegformerImageProcessor.from_pretrained("sayeed99/segformer-b3-fashion")
model.to("cpu") # Usa CPU per il free tier
logger.info("Modello caricato con successo.")
except Exception as e:
logger.error(f"Errore nel caricamento del modello: {str(e)}")
raise RuntimeError(f"Errore nel caricamento del modello: {str(e)}")
# Funzione per segmentare l'immagine
def segment_image(image: Image.Image):
# Prepara l'input per SegFormer
logger.info("Preparazione dell'immagine per l'inferenza...")
inputs = processor(images=image, return_tensors="pt").to("cpu")
# Inferenza
logger.info("Esecuzione dell'inferenza...")
with torch.no_grad():
outputs = model(**inputs)
logits = outputs.logits
# Post-processa la maschera
logger.info("Post-processing della maschera...")
mask = torch.argmax(logits, dim=1)[0]
mask = mask.cpu().numpy()
# Converti la maschera in immagine
mask_img = Image.fromarray((mask * 255 / mask.max()).astype(np.uint8))
# Converti la maschera in base64 per la risposta
buffered = io.BytesIO()
mask_img.save(buffered, format="PNG")
mask_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")
# Annotazioni
annotations = {"mask": mask.tolist(), "label": "fashion"}
return mask_base64, annotations
# Endpoint API
@app.post("/segment")
async def segment_endpoint(file: UploadFile = File(...)):
try:
logger.info("Ricezione del file...")
image_data = await file.read()
image = Image.open(io.BytesIO(image_data)).convert("RGB")
logger.info("Segmentazione dell'immagine...")
mask_base64, annotations = segment_image(image)
return {
"mask": f"data:image/png;base64,{mask_base64}",
"annotations": annotations
}
except Exception as e:
logger.error(f"Errore nell'endpoint: {str(e)}")
raise HTTPException(status_code=500, detail=f"Errore nell'elaborazione: {str(e)}")
# Per compatibilità con Hugging Face Spaces
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=7860) |