added endpoint

README.md

@@ -10,3 +10,15 @@ pinned: false
 ---
 
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+
+
+curl -X POST "https://alexgenovese-segmentation.hf.space/api/predict" \
+  -F "data=[{\"type\": \"image\", \"value\": null}]" \
+  -F "data=@woman_with_bag.jpeg" \
+  -H "Content-Type: multipart/form-data" \
+  -o response.json
+
+
+  curl -X POST "https://alexgenovese-segmentation.hf.space/api/predict" \
+  -F "data=[{\"type\": \"image\", \"value\": null}]" \
+  -F "data=@woman_with_bag.jpeg" \

app.py

@@ -1,48 +1,63 @@
-import gradio as gr
+from fastapi import FastAPI, File, UploadFile
 from transformers import SamModel, SamProcessor
+import torch
 from PIL import Image
 import numpy as np
-import torch
+import io
+import base64
 
-# Carica il modello e il processore
+# Inizializza l'app FastAPI
+app = FastAPI()
+
+# Carica il modello e il processore SAM
 model = SamModel.from_pretrained("facebook/sam-vit-base")
 processor = SamProcessor.from_pretrained("facebook/sam-vit-base")
-model.to("cpu")  # Assicurati che il modello giri su CPU
+model.to("cpu")  # Usa CPU per il free tier
 
-def segment_image(image):
-    # Converti l'immagine in formato compatibile
-    img = Image.fromarray(np.uint8(image)).convert("RGB")
-    
-    # Prepara l'input per SAM (segmentazione automatica)
-    inputs = processor(img, return_tensors="pt").to("cpu")
+# Funzione per segmentare l'immagine
+def segment_image(image: Image.Image):
+    # Prepara l'input per SAM
+    inputs = processor(image, return_tensors="pt").to("cpu")
     
     # Inferenza
     with torch.no_grad():
         outputs = model(**inputs, multimask_output=False)
     
-    # Post-processa per ottenere la maschera
+    # Post-processa la maschera
     mask = processor.image_processor.post_process_masks(
         outputs.pred_masks, inputs["original_sizes"], inputs["reshaped_input_sizes"]
     )[0][0].cpu().numpy()
     
-    # Converti la maschera in un'immagine visibile
+    # Converti la maschera in immagine
     mask_img = Image.fromarray((mask * 255).astype(np.uint8))
     
-    # Annotazioni (es. bounding box o etichette semplici)
-    annotations = {"mask": mask.tolist(), "label": "object"}  # Personalizza come necessario
+    # Converti la maschera in base64 per la risposta
+    buffered = io.BytesIO()
+    mask_img.save(buffered, format="PNG")
+    mask_base64 = base64.b64encode(buffered.getvalue()).decode("utf-8")
     
-    return mask_img, str(annotations)
+    # Annotazioni
+    annotations = {"mask": mask.tolist(), "label": "object"}
+    
+    return mask_base64, annotations
 
-# Interfaccia Gradio
-interface = gr.Interface(
-    fn=segment_image,
-    inputs=gr.Image(type="numpy", label="Carica un'immagine"),
-    outputs=[
-        gr.Image(type="pil", label="Maschera di segmentazione"),
-        gr.Textbox(label="Annotazioni per inpainting")
-    ],
-    title="Segmentazione di vestiti e oggetti con SAM",
-    description="Carica un'immagine per ottenere la segmentazione e le annotazioni."
-)
+# Endpoint API
+@app.post("/segment")
+async def segment_endpoint(file: UploadFile = File(...)):
+    # Leggi l'immagine caricata
+    image_data = await file.read()
+    image = Image.open(io.BytesIO(image_data)).convert("RGB")
+    
+    # Segmenta l'immagine
+    mask_base64, annotations = segment_image(image)
+    
+    # Restituisci la risposta
+    return {
+        "mask": f"data:image/png;base64,{mask_base64}",
+        "annotations": annotations
+    }
 
-interface.launch()
+# Per compatibilità con Hugging Face Spaces (Uvicorn viene gestito automaticamente)
+if __name__ == "__main__":
+    import uvicorn
+    uvicorn.run(app, host="0.0.0.0", port=7860)