import streamlit as st
import torch
from torchvision import transforms, models
from PIL import Image
import requests
import json
import os

# URL du modèle hébergé sur Hugging Face
MODEL_URL = "https://huggingface.co./brightlembo/nao_sad_happy/blob/main/efficientnet_b7_best.pth"
MODEL_PATH = "efficientnet_b7_best.pth"
CLASS_NAMES_PATH = "class_names.json"

# Télécharger le modèle s'il n'existe pas localement
if not os.path.exists(MODEL_PATH):
    st.info("Téléchargement du modèle depuis Hugging Face...")
    response = requests.get(MODEL_URL, stream=True)
    response.raise_for_status()
    with open(MODEL_PATH, "wb") as f:
        f.write(response.content)
    st.success("Modèle téléchargé avec succès.")

# Charger les noms des classes
if not os.path.exists(CLASS_NAMES_PATH):
    st.error(f"Le fichier {CLASS_NAMES_PATH} est introuvable. Veuillez le charger.")
    st.stop()

with open(CLASS_NAMES_PATH, "r") as f:
    class_names = json.load(f)

# Charger le modèle
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
try:
    # Créer le modèle EfficientNet
    model = models.efficientnet_b7(pretrained=False)  # Initialisation du modèle sans poids pré-entrainés
    # Charger les poids du modèle
    model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
    model.eval()  # Passer en mode évaluation
except Exception as e:
    st.error(f"Erreur lors du chargement du modèle : {e}")
    st.stop()

# Transformation pour les images
image_size = (224, 224)

class GrayscaleToRGB:
    def __call__(self, img):
        return img.convert("RGB")

transform = transforms.Compose([
    transforms.Grayscale(num_output_channels=1),
    transforms.Resize(image_size),
    GrayscaleToRGB(),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

# Interface utilisateur Streamlit
st.title("Prédiction d'Images avec PyTorch")
st.write("Chargez une image pour obtenir une prédiction de classe.")

uploaded_file = st.file_uploader("Choisissez une image...", type=["jpg", "png", "jpeg"])

if uploaded_file is not None:
    try:
        # Charger et afficher l'image
        image = Image.open(uploaded_file)
        st.image(image, caption="Image chargée", use_column_width=True)

        # Transformation et prédiction
        image_tensor = transform(image).unsqueeze(0).to(device)
        with torch.no_grad():
            outputs = model(image_tensor)
            _, predicted_class = torch.max(outputs, 1)
        
        predicted_label = class_names[predicted_class.item()]
        st.success(f"Classe prédite : {predicted_label}")
    except Exception as e:
        st.error(f"Erreur lors de la prédiction : {e}")