Spaces:
Running
Running
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() |