Update app.py

app.py

@@ -1,54 +1,22 @@
-#curl -H "Accept: application/json" https://Og2-wstest.hf.space/
-#curl -H "Accept: application/json" https://Og2-wstest.hf.space/hello/
-#curl -X POST https://Og2-wstest.hf.space/muws2/ -H "Content-Type: application/json" -d "{\"text\": \"Ceci est un texte exemple.\"}"
-#curl -X POST "https://Og2-wstest.hf.space/upload-video/" -H "Content-Type: multipart/form-data" -F "file=@E:\nosave\MyDocs\AndroidStudio\PythonProjects\SportHobbyStats\Foosball\VideoAnnotation\MoviNet2\train\Block_1-2.1/CNFT2Toulouse_Block_1729.avi"
-
+#  https://Og2-wstest.hf.space/
 
 from fastapi import FastAPI, File, Form, UploadFile, HTTPException
 from pathlib import Path
 import os
 from pydantic import BaseModel
 import json
+import tensorflow as tf
+import numpy as np
+import cv2
+import keras
+from keras.saving import register_keras_serializable
+from keras import layers
+from huggingface_hub import hf_hub_download
+from keras.applications.densenet import DenseNet121
+#from tensorflow_docs.vis import embed
 
 app = FastAPI()
 
-# Définir un modèle pour recevoir un texte
-class TextInput(BaseModel):
-    text: str
-
-@app.post("/muws2/")
-def process_text(input_data: TextInput):
-    # Récupérer le texte depuis l'entrée
-    input_text = input_data.text
-    
-    # Créer un dictionnaire JSON avec le texte en sortie
-    output = {
-        "text": input_text
-    }
-    
-    return output
-
-@app.get("/hello/")
-def greet_hello():
-    return {"msg": "Hello World!"}
-
-@app.get("/")
-def greet_hello():
-    return {"msg": "Ok!"}
-
-
-@app.post("/upload-video/")
-async def upload_video(file: UploadFile = File(...)):
-    # Lire le contenu du fichier
-    content = await file.read()
-    # Vous pouvez sauvegarder la vidéo ou la traiter ici
-    with open(f"uploaded_{file.filename}", "wb") as f:
-        f.write(content)
-
-    return {"filename": file.filename, "content_type": file.content_type}
-
-
-
 UPLOAD_DIR = "uploads"
 os.makedirs(UPLOAD_DIR, exist_ok=True)
 
@@ -96,20 +64,11 @@ async def upload_file(
 
 
 
-import tensorflow as tf
-import numpy as np
-import cv2
-import keras
-from keras.saving import register_keras_serializable
-from keras import layers
-from huggingface_hub import hf_hub_download
-from keras.applications.densenet import DenseNet121
-#from tensorflow_docs.vis import embed
+
 
 # Available backend options are: "jax", "torch", "tensorflow".
 os.environ["KERAS_BACKEND"] = "tensorflow"
 
-
 # Charger le modèle Keras
 MAX_SEQ_LENGTH = 8
 NUM_FEATURES = 1024
@@ -119,8 +78,6 @@ IMG_SIZE = 128
 # Au lieu de CenterCrop
 center_crop_layer = layers.Resizing(IMG_SIZE, IMG_SIZE)
 
-
-
 def crop_center(frame):
     cropped = center_crop_layer(frame[None, ...])
     cropped = keras.ops.convert_to_numpy(cropped)
@@ -224,16 +181,10 @@ model = keras.saving.load_model("hf://Og2/videoclassif", custom_objects={'Positi
 # Identifier le modèle Hugging Face et le fichier que vous voulez lire
 model_repo = "Og2/videoclassif"  # Remplacez par votre modèle spécifique
 file_name = "labels.txt"  # Le fichier que vous voulez télécharger
-
 # Télécharger le fichier depuis Hugging Face Hub
 labels_file_path = hf_hub_download(repo_id=model_repo, filename=file_name)
-
-# Liste des classes du modèle
-# Nom du fichier de classe
-#input_file = "hf://Og2/videoclassif/labels.txt"
-# Lecture du fichier et création de la liste
 with open(labels_file_path, "r") as file:
-    class_labels = [line.strip() for line in file]
+    class_labels = [line.strip() for line in file] # Lecture du fichier et création de la liste
 #print("Tableau recréé à partir du fichier :")
 #print(class_labels)