develop

src/api/endpoints.py

@@ -25,7 +25,7 @@ scorer = None
 device = None
 
 
-def load_models():
+def load_models(path: str = "../../models/unet_cats_dogs.pth"):
     """Ленивая загрузка моделей"""
     global model, scorer, device
 
@@ -35,7 +35,9 @@ def load_models():
 
         # Загрузка модели
         model = UNet(in_channels=3, out_classes=2)
-        model_path = Path("../../models/unet_cats_dogs.pth")
+        cwd = Path.cwd()
+        print(f"Директория инициализации скрипта: #{cwd}")
+        model_path = Path(path)
 
         if model_path.exists():
             print(f"📦 Загрузка модели из {model_path}")
@@ -61,7 +63,7 @@ async def analyze_image(file: UploadFile = File(...)):
     """Анализ изображения на качество"""
     try:
         # Загрузка модели
-        model, scorer, device = load_models()
+        # model, scorer, device = load_models()
 
         # Чтение изображения
         image_data = await file.read()
@@ -75,47 +77,49 @@ async def analyze_image(file: UploadFile = File(...)):
         original_image = np.array(image)
         original_size = image.size  # (width, height)
 
-        # Подготовка для модели
-        input_size = (256, 256)
-        image_resized = image.resize(input_size)
-        image_array = np.array(image_resized, dtype=np.float32) / 255.0
-        image_array = image_array.transpose(2, 0, 1)
-        image_tensor = torch.FloatTensor(image_array).unsqueeze(0).to(device)
-
-        # Инференс
-        with torch.no_grad():
-            output = model(image_tensor)
-            probs = torch.softmax(output, dim=1)
-            pred_mask = probs.argmax(dim=1).squeeze().cpu().numpy()
-
-        # Если маска пустая — пробуем порог
-        if pred_mask.sum() == 0:
-            print("⚠️ Маска пустая! Пробуем пороговую обработку...")
-            prob_class1 = probs[0, 1].cpu().numpy()
-            for threshold in [0.2, 0.15, 0.1]:
-                temp_mask = (prob_class1 > threshold).astype(np.int64)
-                if temp_mask.sum() > 0:
-                    print(f"  ✅ Найден объект при пороге {threshold}")
-                    pred_mask = temp_mask
-                    break
-
-        # Ресайз маски к оригинальному размеру
-        mask_pil = Image.fromarray(pred_mask.astype(np.uint8))
-        mask_pil = mask_pil.resize(original_size, resample=Image.NEAREST)
-        mask = np.array(mask_pil)
-
-        print(f"  Финальная маска: {mask.shape}, сумма = {mask.sum()}")
+        result = orchestrator.analyze(image)
+        #
+        # # Подготовка для модели
+        # input_size = (256, 256)
+        # image_resized = image.resize(input_size)
+        # image_array = np.array(image_resized, dtype=np.float32) / 255.0
+        # image_array = image_array.transpose(2, 0, 1)
+        # image_tensor = torch.FloatTensor(image_array).unsqueeze(0).to(device)
+        #
+        # # Инференс
+        # with torch.no_grad():
+        #     output = model(image_tensor)
+        #     probs = torch.softmax(output, dim=1)
+        #     pred_mask = probs.argmax(dim=1).squeeze().cpu().numpy()
+        #
+        # # Если маска пустая — пробуем порог
+        # if pred_mask.sum() == 0:
+        #     print("⚠️ Маска пустая! Пробуем пороговую обработку...")
+        #     prob_class1 = probs[0, 1].cpu().numpy()
+        #     for threshold in [0.2, 0.15, 0.1]:
+        #         temp_mask = (prob_class1 > threshold).astype(np.int64)
+        #         if temp_mask.sum() > 0:
+        #             print(f"  ✅ Найден объект при пороге {threshold}")
+        #             pred_mask = temp_mask
+        #             break
+        #
+        # # Ресайз маски к оригинальному размеру
+        # mask_pil = Image.fromarray(pred_mask.astype(np.uint8))
+        # mask_pil = mask_pil.resize(original_size, resample=Image.NEAREST)
+        # mask = np.array(mask_pil)
+        #
+        # print(f"  Финальная маска: {mask.shape}, сумма = {mask.sum()}")
 
         # Конвертируем маску в base64 для передачи на фронтенд
-        mask_image = Image.fromarray((mask * 255).astype(np.uint8))
+        mask_image = Image.fromarray((result.get("mask") * 255).astype(np.uint8))
         buffer = io.BytesIO()
         mask_image.save(buffer, format='PNG')
         mask_base64 = base64.b64encode(buffer.getvalue()).decode('utf-8')
 
         # Оценка качества
-        quality_scores = scorer.evaluate(image=original_image, segmentation=mask)
+        # quality_scores = scorer.evaluate(image=original_image, segmentation=result.get("mask"))
 
-        result = orchestrator.analyze(image)
+        quality_scores = result.get("quality")
 
         print(f"\n📊 Результаты:")
         print(f"  Качество: {quality_scores['overall_quality']}")

src/classifiers/pet_breed_classifier.py

@@ -50,8 +50,8 @@ class PetBreedClassifier(BaseClassifier):
 
         # Заменяем последний слой на 37 классов (породы)
         num_features = self.model.fc.in_features
-        self.model.fc = nn.Linear(num_features, 37)
-        model_path = "../../models/unet_cats_dogs.pth"
+        # self.model.fc = nn.Linear(num_features, 37)
+        model_path = "../models/unet_cats_dogs.pth"
         # Загружаем обученные веса если есть
         self.loaded = False
         if model_path and Path(model_path).exists():
@@ -135,9 +135,9 @@ class PetBreedClassifier(BaseClassifier):
 
             return {
                 "breed_id": breed_id,
-                "breed_name": BREED_MAP.get(breed_id, "Unknown"),
+                # "breed_name": BREED_MAP.get(breed_id, "Unknown"),
                 "species_id": species_id,
-                "species_name": SPECIES_MAP.get(species_id, "Unknown"),
+                # "species_name": SPECIES_MAP.get(species_id, "Unknown"),
                 "confidence": confidence_score,
                 "loaded": True,
                 "error": None

src/core/orchestrator.py

@@ -76,8 +76,9 @@ class Orchestrator:
 
         quality_result = self.quality_scorer.evaluate(
             image=image_array,
-            segmentation=mask,
-            config=self.config
+            segmentation=mask
+            # ,
+            # config=self.config
         )
 
         # 4. Сборка результата

src/quality/medical_quality.py

@@ -25,6 +25,9 @@ class MedicalQualityScorer(QualityScorer):
             "medical_validation": medical_check
         }
 
+    def check_femur_segmentation(self, segmentation: np.ndarray) -> Dict[str, Any]:
+        pass
+
     def check_spine_segmentation(self, segmentation: np.ndarray) -> Dict[str, Any]:
         """
         Комплексная проверка сегментации позвоночника

src/segmentators/unet_segmentator.py

@@ -11,7 +11,7 @@ from src.segmentators.base import BaseSegmentator
 class UNetSegmentator(BaseSegmentator):
     """Сегментатор на основе U-Net (для кошек/собак)"""
 
-    def __init__(self, model_path="models/unet_cats_dogs.pth", device='cpu'):
+    def __init__(self, model_path="../models/unet_cats_dogs.pth", device='cpu'):
         self.device = device
         self.model = UNet(in_channels=3, out_classes=2)