Update app.py

app.py

@@ -2,22 +2,19 @@
 
 from PIL import Image
 import numpy as np
-import io                             #manipule des images téléchargées via une URL ou une API
-import faiss                          #librairie pour la recherche de similarité dans des vecteurs
+import io
+import faiss
 
-import requests                       #télécharge des images et récupére une image depuis une URL
-import torch                          #modèles de machine learning pour extraire les features d’images (vecteurs)
+import requests
+import torch
 
-from request import get_ft, get_topk  #get_ft extrait les vecteurs, get_topk trouve les k plus proches voisins
+from request import get_ft, get_topk
 from flickrapi import FlickrAPI
 
 from flask import Flask, request, render_template, jsonify, send_from_directory
-                                      #Flask est un micro-framework Python pour créer des applications web
-                                      #rend un fichier HTML (template) en y injectant des variables.
-app = Flask(__name__)                 #crée l'objet de l'application web
+app = Flask(__name__)
 
-
-PRESET_IMAGES = {                     #les images présélectionnées sont rangées sous /static
+PRESET_IMAGES = {
     1: "static/1.webp",
     2: "static/2.webp",
     3: "static/3.webp"
@@ -29,7 +26,7 @@ FLICKR_API_SECRET = '4d0e8ce6734f4b3f'
 flickr = FlickrAPI(FLICKR_API_KEY, FLICKR_API_SECRET, format='parsed-json', store_token=False)
 
 def get_photo_id(url):
-    """Extract photo ID from Flickr URL"""           #ex. get_photo_id(https://exemple.com/images/photo_chat_001.jpg)= photo
+    """Extract photo ID from Flickr URL"""
     try:
         return url.split('/')[-1].split('_')[0]
     except:
@@ -86,41 +83,45 @@ def distance_to_similarity(distances, temp=1e-4):
 def calculate_rewards(subscription, num_generations, author_share, ro_share, num_users_k, similarities, num_authors=1800):
     """Calculate rewards based on user inputs and similarities"""
     num_users = num_users_k * 1000
-
+    
     # Monthly revenue allocated to authors
     authors_monthly_revenue = subscription * num_users * (author_share / 100)
-
+    
     rewards = []
     for sim in similarities[0]:
-        # Attribution bonus based on similarity score (sim) and number of neighbors
+        # Attribution bonus based on similarity score and number of neighbors
         attribution_bonus = sim * len(similarities[0])
-
+        
         # Calculate monthly rewards
         author_month_reward = (authors_monthly_revenue / num_authors) * attribution_bonus
         ro_month_reward = author_month_reward / (author_share / 100) * (ro_share / 100)
-
+        
         rewards.append({
             'paid_per_month': f"{subscription:.0f}€",
-            'attribution': f"{sim * 100:.0f}%",
+            'attribution': f"{sim*100:.0f}%",
             'author_month_reward': f"{author_month_reward:.0f}€",
-            'ro_month_reward': f"{ro_month_reward:.0f}€",
-            'raw_similarity': distances
+            'ro_month_reward': f"{ro_month_reward:.0f}€"
+            # 'paid_per_month': f"{subscription:.0f}€",
+            # 'paid_per_gen': f"{paid_per_gen:.2f}€",
+            # 'aro_share': f"{aro_share:.2f}c€",
+            # 'attribution': f"{sim*100:.0f}%",
+            # 'training_data_reward': f"{training_data_reward:.2f}c€",
+            # 'author_month_reward': f"{author_month_reward:.0f}€",
+            # 'ro_month_reward': f"{ro_month_reward:.0f}€"
         })
-
     return rewards
 
-
 # Global variables for model and index
 model = None
 index = None
 urls = None
 
 def init_model():
-    global model, index, urls                       #variables du script, et non de la seule fonction
-    model = load_model()                            #model charge DinoV2
-    index = load_index("data/openimages_index.bin") #index charge l'index binaire des vecteurs
-    with open("data/openimages_urls.txt", "r") as f:#ouvre le fichier texte des URLs
-        urls = f.readlines()                        #lit toutes les URLs
+    global model, index, urls
+    model = load_model()
+    index = load_index("data/openimages_index.bin")
+    with open("data/openimages_urls.txt", "r") as f:
+        urls = f.readlines()
 
 @app.route('/')
 def home():
@@ -142,44 +143,19 @@ DEFAULT_PARAMS = {
 
 @app.route('/select_preset/<int:preset_id>')
 def select_preset(preset_id):
-    if preset_id not in PRESET_IMAGES:        #vérifie l'existence de preset_id dans le dictionnaire
+    if preset_id not in PRESET_IMAGES:
         return jsonify({'error': 'Invalid preset ID'}), 400
     
     try:
-        image_path = PRESET_IMAGES[preset_id] #récupère le chemin du fichier image
+        image_path = PRESET_IMAGES[preset_id]
         image = Image.open(image_path).convert('RGB')
         
         # Use default parameters for presets
         params = DEFAULT_PARAMS.copy()
         
         # Get features and search
-        features = get_ft(model, image)        #extrait les features, soit le vecteur représentant l’image
+        features = get_ft(model, image)
         distances, indices = get_topk(index, features, topk=params['num_neighbors'])
-                                               #utilise l’index pour trouver les k voisins de l’image
-                                               #retourne 
-                                               # - distances avec les voisins
-                                               # - indices : les positions (dans l'index) des voisins
-        
-        # Process image
-        #features = get_ft(model, image)                                                ########   extrait le vecteur de l'image
-        #_, indices = get_topk(index, features, topk=params['num_neighbors'])   ########   extrait les distances avec les premiers voisins
-        
-        # Supposons que vous ayez une fonction pour charger une image
-        #def load_image(path):
-        #    return Image.open(path).convert('RGB')
-        
-        # Charger les deux images
-        #image1 = load_image(PRESET_IMAGES[1])
-        #image2 = load_image(PRESET_IMAGES[2])
-        
-        # Extraire les features
-        #image1 = Image.open("static/1.webp")
-        #image2 = Image.open("static/2.webp")
-        #features1 = get_ft(model, image1)
-        #features2 = get_ft(model, image2)
-        
-        # Calculer la distance euclidienne
-        #distances = np.linalg.norm(features1 - features2)
         
         # Collect valid results first
         valid_results = []
@@ -233,8 +209,8 @@ def process_image():
         return jsonify({'error': 'No image provided'}), 400
     
     try:
-        image_file = request.files['image']                               #attend un fichier image transmis par l'utilisateur
-        image = Image.open(io.BytesIO(image_file.read())).convert('RGB')  #convertit l'image en RGB
+        image_file = request.files['image']
+        image = Image.open(io.BytesIO(image_file.read())).convert('RGB')
         
         # Use default parameters if none provided
         params = DEFAULT_PARAMS.copy()
@@ -250,27 +226,9 @@ def process_image():
             })
         
         # Process image
-        features = get_ft(model, image)                                                ########   extrait le vecteur de l'image
-        distances, indices = get_topk(index, features, topk=params['num_neighbors'])   ########   extrait les distances avec les premiers voisins
-        
-        # Supposons que vous ayez une fonction pour charger une image
-        #def load_image(path):
-        #    return Image.open(path).convert('RGB')
-        
-        # Charger les deux images
-        #image1 = load_image(PRESET_IMAGES[1])
-        #image2 = load_image(PRESET_IMAGES[2])
-        
-        # Extraire les features
-        #features1 = get_ft(model, image1)
-        #features2 = get_ft(model, image2)
-        
-        # Calculer la distance euclidienne
-        #distances = np.linalg.norm(features1 - features2)
-        
-        #print(f"Distance euclidienne entre l'image 1 et l'image 2 : {distances}")
+        features = get_ft(model, image)
+        distances, indices = get_topk(index, features, topk=params['num_neighbors'])
         
-
         # Collect valid results first
         valid_results = []
         valid_similarities = []
@@ -320,3 +278,12 @@ def process_image():
 if __name__ == '__main__':
     init_model()
     app.run(host='0.0.0.0', port=7860)
+
+# Extraire les features
+        #image1 = Image.open("static/1.webp")
+        #image2 = Image.open("static/2.webp")
+        #features1 = get_ft(model, image1)
+        #features2 = get_ft(model, image2)
+        
+        # Calculer la distance euclidienne
+        #distances = np.linalg.norm(features1 - features2)