File size: 5,977 Bytes
f5298b1
 
2964111
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
// const API_BASE_URL = 'http://localhost:8000'
const API_BASE_URL = 'https://2nzi-pnlcalib.hf.space'

class FootballVisionAPI {
  constructor() {
    this.baseURL = API_BASE_URL
  }

  async healthCheck() {
    try {
      const response = await fetch(`${this.baseURL}/health`)
      return await response.json()
    } catch (error) {
      throw new Error(`Health check failed: ${error.message}`)
    }
  }

  async calibrateCamera(imageFile, linesData) {
    const formData = new FormData()
    formData.append('image', imageFile)
    formData.append('lines_data', JSON.stringify(linesData))

    try {
      const response = await fetch(`${this.baseURL}/calibrate`, {
        method: 'POST',
        body: formData
      })

      // Toujours retourner un objet de résultat, même en cas d'erreur
      if (!response.ok) {
        let errorMessage = `HTTP error! status: ${response.status}`
        
        // Essayer de récupérer le message d'erreur du serveur
        try {
          const errorData = await response.json()
          if (errorData.detail) {
            // Gestion spéciale pour les erreurs Pydantic
            if (typeof errorData.detail === 'string') {
              errorMessage = errorData.detail
            } else if (Array.isArray(errorData.detail)) {
              // Erreurs de validation Pydantic
              errorMessage = errorData.detail.map(err => {
                if (err.msg && err.loc) {
                  return `${err.loc.join('.')}: ${err.msg}`
                }
                return err.msg || 'Erreur de validation'
              }).join(', ')
            }
          } else if (errorData.message) {
            errorMessage = errorData.message
          }
        } catch (parseError) {
          // Si on ne peut pas parser la réponse, garder le message d'erreur HTTP
        }
        
        return {
          status: 'failed',
          message: errorMessage,
          error: errorMessage
        }
      }

      const result = await response.json()
      
      // S'assurer que le résultat a un status, sinon l'ajouter
      if (!result.status) {
        result.status = 'success'
      }
      
      return result
    } catch (error) {
      // En cas d'erreur de réseau ou autre, retourner un objet d'erreur
      return {
        status: 'failed',
        message: `Calibration failed: ${error.message}`,
        error: error.message
      }
    }
  }

  async inferenceImage(imageFile, options = {}) {
    if (!imageFile) {
      throw new Error('No image file provided')
    }
    
    const formData = new FormData()
    formData.append('image', imageFile)
    
    const { kpThreshold = 0.15, lineThreshold = 0.15 } = options
    // S'assurer que les valeurs sont des nombres
    const kpThresholdNum = Number(kpThreshold)
    const lineThresholdNum = Number(lineThreshold)
    
    formData.append('kp_threshold', kpThresholdNum.toString())
    formData.append('line_threshold', lineThresholdNum.toString())

    console.log('🔥 Sending inference request with:', {
      fileName: imageFile.name,
      fileType: imageFile.type,
      fileSize: imageFile.size,
      kpThreshold,
      lineThreshold
    })

    try {
      const response = await fetch(`${this.baseURL}/inference/image`, {
        method: 'POST',
        body: formData
      })

      if (!response.ok) {
        let errorMessage = `HTTP error! status: ${response.status}`
        
        // Essayer de récupérer le message d'erreur détaillé du serveur
        try {
          const errorData = await response.json()
          console.error('🔥 Detailed API error:', errorData)
          
          if (errorData.detail) {
            // Gestion spéciale pour les erreurs Pydantic
            if (typeof errorData.detail === 'string') {
              errorMessage = errorData.detail
            } else if (Array.isArray(errorData.detail)) {
              // Erreurs de validation Pydantic
              errorMessage = errorData.detail.map(err => {
                if (err.msg && err.loc) {
                  return `${err.loc.join('.')}: ${err.msg}`
                }
                return err.msg || 'Erreur de validation'
              }).join(', ')
            }
          } else if (errorData.message) {
            errorMessage = errorData.message
          }
        } catch (parseError) {
          console.error('🔥 Could not parse error response:', parseError)
        }
        
        throw new Error(errorMessage)
      }

      return await response.json()
    } catch (error) {
      throw new Error(`Image inference failed: ${error.message}`)
    }
  }

  async inferenceVideo(videoFile, options = {}) {
    const formData = new FormData()
    formData.append('video', videoFile)
    
    const { kpThreshold = 0.15, lineThreshold = 0.15, frameStep = 10 } = options
    formData.append('kp_threshold', kpThreshold)
    formData.append('line_threshold', lineThreshold)
    formData.append('frame_step', frameStep)

    try {
      const response = await fetch(`${this.baseURL}/inference/video`, {
        method: 'POST',
        body: formData
      })

      if (!response.ok) {
        throw new Error(`HTTP error! status: ${response.status}`)
      }

      return await response.json()
    } catch (error) {
      throw new Error(`Video inference failed: ${error.message}`)
    }
  }

  async manualCalibration(file, calibrationData) {
    const formData = new FormData()
    formData.append('file', file)
    formData.append('calibration_data', JSON.stringify(calibrationData))

    try {
      const response = await fetch(`${this.baseURL}/calibrate/manual`, {
        method: 'POST',
        body: formData
      })

      if (!response.ok) {
        throw new Error(`HTTP error! status: ${response.status}`)
      }

      return await response.json()
    } catch (error) {
      throw new Error(`Manual calibration failed: ${error.message}`)
    }
  }
}

export default new FootballVisionAPI()