# 역할: 훈련된 모델을 실제 서비스로 제공하는 API 서버
# POST /predict - 이미지 분류
# GET /health - 서버 상태 확인
# 70.61% 성능을 위해서는 앙상블이 필수
# Python API 서버로만 가능
from fastapi import FastAPI, UploadFile, File, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from fastapi.responses import JSONResponse
import uvicorn
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import load_model
from PIL import Image
import io
import os
from datetime import datetime
import json
from typing import List, Dict, Any
import logging

# 로깅 설정
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# 설정
MODEL_PATH = "models/mega_ensemble_80"  # 로컬 모델 경로
HUGGINGFACE_REPO = "bihan3876/my_model"  # Hugging Face 저장소
CLASS_NAMES = ["가구", "생활용품", "전자기기_도서", "취미_게임", "패션_뷰티"]
IMG_SIZE = (224, 224)

# Hugging Face Hub 사용 여부
USE_HUGGINGFACE = os.getenv("USE_HUGGINGFACE", "false").lower() == "true"

# 경량 모드 사용 여부 (TensorFlow Lite 모델 사용)
USE_LIGHTWEIGHT = os.getenv("USE_LIGHTWEIGHT", "false").lower() == "true"
LIGHTWEIGHT_MODEL_PATH = "models/serving/model_optimized.tflite"

# FastAPI 앱 생성
app = FastAPI(
    title="AI 상품 분류 API",
    description="70.61% 정확도 달성한 AI 모델로 중고거래 상품 자동 분류",
    version="1.0.0"
)

# CORS 설정
app.add_middleware(
    CORSMiddleware,
    allow_origins=["*"],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

# 전역 변수
models = {}
model_info = {}

def download_from_huggingface():
    """Hugging Face Hub에서 모델 다운로드"""
    try:
        from huggingface_hub import snapshot_download

        logger.info(f"Hugging Face에서 모델 다운로드 중: {HUGGINGFACE_REPO}")

        # 앙상블 모델만 다운로드 (349MB)
        local_dir = snapshot_download(
            repo_id=HUGGINGFACE_REPO,
            cache_dir="./cache",
            local_dir="./models_hf"
        )

        logger.info(f"모델 다운로드 완료: {local_dir}")
        return local_dir

    except ImportError:
        logger.error("huggingface_hub 패키지가 설치되지 않았습니다.")
        logger.error("설치: pip install huggingface_hub")
        return None
    except Exception as e:
        logger.error(f"Hugging Face 다운로드 실패: {e}")
        return None

def load_lightweight_model():
    """경량 TensorFlow Lite 모델 로드"""
    global models, model_info

    try:
        import tensorflow as tf

        # TensorFlow Lite 모델 경로
        if USE_HUGGINGFACE:
            # Hugging Face에서 경량 모델만 다운로드 (24MB)
            local_dir = snapshot_download(
                repo_id=HUGGINGFACE_REPO,
                cache_dir="./cache",
                local_dir="./models_hf",
                allow_patterns=["models/serving/model_optimized.tflite"]
            )
            tflite_path = os.path.join(local_dir, "models", "serving", "model_optimized.tflite")
        else:
            tflite_path = LIGHTWEIGHT_MODEL_PATH

        if not os.path.exists(tflite_path):
            raise FileNotFoundError(f"TensorFlow Lite 모델이 없습니다: {tflite_path}")

        # TensorFlow Lite 인터프리터 로드
        interpreter = tf.lite.Interpreter(model_path=tflite_path)
        interpreter.allocate_tensors()

        models["tflite"] = interpreter

        model_info = {
            "total_models": 1,
            "model_names": ["TensorFlow_Lite"],
            "accuracy": 62.0,  # 추정 성능
            "classes": CLASS_NAMES,
            "input_shape": [224, 224, 3],
            "ensemble_method": "single_model"
        }

        logger.info(f"🚀 경량 모델 로딩 완료: TensorFlow Lite")
        return True

    except Exception as e:
        logger.error(f"❌ 경량 모델 로딩 실패: {e}")
        return False

def load_ensemble_models():
    """앙상블 모델들 로드"""
    global models, model_info

    try:
        # 경량 모드 사용 시
        if USE_LIGHTWEIGHT:
            return load_lightweight_model()

        # Hugging Face 사용 시 모델 다운로드
        if USE_HUGGINGFACE:
            hf_path = download_from_huggingface()
            if hf_path:
                model_path = os.path.join(hf_path, "models", "ensemble")
            else:
                logger.warning("Hugging Face 다운로드 실패, 로컬 모델 사용")
                model_path = MODEL_PATH
        else:
            model_path = MODEL_PATH

        logger.info(f"모델 로딩 시작: {model_path}")

        if not os.path.exists(model_path):
            raise FileNotFoundError(f"모델 경로가 존재하지 않습니다: {model_path}")
        
        # 모델 파일들 찾기
        model_files = [f for f in os.listdir(model_path) if f.endswith('.keras')]
        
        if not model_files:
            raise FileNotFoundError("모델 파일을 찾을 수 없습니다")
        
        # 각 모델 로드
        for model_file in model_files:
            model_name = model_file.replace('.keras', '').replace('_best', '')
            model_path = os.path.join(model_path, model_file)
            
            try:
                model = load_model(model_path)
                models[model_name] = model
                logger.info(f"✅ {model_name} 로드 완료")
            except Exception as e:
                logger.warning(f"⚠️ {model_name} 로드 실패: {e}")
        
        if not models:
            raise RuntimeError("로드된 모델이 없습니다")
        
        # 모델 정보 설정
        model_info = {
            "total_models": len(models),
            "model_names": list(models.keys()),
            "accuracy": 70.61,
            "classes": CLASS_NAMES,
            "input_shape": [224, 224, 3],
            "ensemble_method": "soft_voting"
        }
        
        logger.info(f"🎯 앙상블 모델 로딩 완료: {len(models)}개 모델")
        return True
        
    except Exception as e:
        logger.error(f"❌ 모델 로딩 실패: {e}")
        return False

def preprocess_image(image_bytes: bytes) -> np.ndarray:
    """이미지 전처리"""
    try:
        # PIL로 이미지 열기
        image = Image.open(io.BytesIO(image_bytes))
        
        # RGB 변환
        if image.mode != 'RGB':
            image = image.convert('RGB')
        
        # 크기 조정
        image = image.resize(IMG_SIZE)
        
        # numpy 배열로 변환 및 정규화
        image_array = np.array(image) / 255.0
        
        # 배치 차원 추가
        image_array = np.expand_dims(image_array, axis=0)
        
        return image_array
        
    except Exception as e:
        raise HTTPException(status_code=400, detail=f"이미지 전처리 실패: {str(e)}")

def ensemble_predict(image_array: np.ndarray) -> Dict[str, Any]:
    """앙상블 예측"""
    try:
        predictions = []
        
        # 각 모델로 예측
        for model_name, model in models.items():
            pred = model.predict(image_array, verbose=0)
            predictions.append(pred[0])
        
        # 소프트 보팅 (평균)
        ensemble_pred = np.mean(predictions, axis=0)
        
        # 결과 처리
        predicted_class_idx = np.argmax(ensemble_pred)
        predicted_class = CLASS_NAMES[predicted_class_idx]
        confidence = float(ensemble_pred[predicted_class_idx])
        
        # 각 클래스별 확률
        probabilities = {
            CLASS_NAMES[i]: float(ensemble_pred[i]) 
            for i in range(len(CLASS_NAMES))
        }
        
        return {
            "predicted_class": predicted_class,
            "confidence": confidence,
            "probabilities": probabilities,
            "timestamp": datetime.now().isoformat()
        }
        
    except Exception as e:
        raise HTTPException(status_code=500, detail=f"예측 실패: {str(e)}")

@app.on_event("startup")
async def startup_event():
    """서버 시작 시 모델 로드"""
    logger.info("🚀 AI 분류 서버 시작 중...")
    
    if not load_ensemble_models():
        logger.error("❌ 모델 로딩 실패로 서버 시작 불가")
        raise RuntimeError("모델 로딩 실패")
    
    logger.info("✅ AI 분류 서버 준비 완료!")

@app.get("/")
async def root():
    """루트 엔드포인트"""
    return {
        "message": "AI 상품 분류 API",
        "version": "1.0.0",
        "accuracy": "70.61%",
        "docs": "/docs"
    }

@app.get("/health")
async def health_check():
    """헬스 체크"""
    return {
        "status": "healthy",
        "models_loaded": len(models),
        "timestamp": datetime.now().isoformat()
    }

@app.get("/model-info")
async def get_model_info():
    """모델 정보 조회"""
    return {
        "success": True,
        "data": model_info
    }

@app.get("/classes")
async def get_classes():
    """지원 클래스 목록"""
    return {
        "success": True,
        "classes": CLASS_NAMES,
        "total_classes": len(CLASS_NAMES)
    }

@app.post("/predict")
async def predict_image(
    file: UploadFile = File(...),
    return_probabilities: bool = True
):
    """단일 이미지 분류"""
    try:
        # 파일 검증
        if not file.content_type.startswith('image/'):
            raise HTTPException(status_code=400, detail="이미지 파일만 업로드 가능합니다")
        
        # 이미지 읽기
        image_bytes = await file.read()
        
        # 전처리
        image_array = preprocess_image(image_bytes)
        
        # 예측
        result = ensemble_predict(image_array)
        
        # 응답 구성
        response_data = {
            "predicted_class": result["predicted_class"],
            "confidence": result["confidence"],
            "timestamp": result["timestamp"]
        }
        
        if return_probabilities:
            response_data["probabilities"] = result["probabilities"]
        
        return {
            "success": True,
            "data": response_data,
            "message": "분류 완료"
        }
        
    except HTTPException:
        raise
    except Exception as e:
        logger.error(f"예측 오류: {e}")
        return JSONResponse(
            status_code=500,
            content={
                "success": False,
                "message": f"예측 실패: {str(e)}"
            }
        )

@app.post("/batch-predict")
async def batch_predict_images(
    files: List[UploadFile] = File(...),
    return_probabilities: bool = True
):
    """배치 이미지 분류"""
    try:
        results = []
        
        for i, file in enumerate(files):
            try:
                if not file.content_type.startswith('image/'):
                    results.append({
                        "filename": file.filename,
                        "success": False,
                        "message": "이미지 파일이 아닙니다"
                    })
                    continue
                
                # 이미지 처리
                image_bytes = await file.read()
                image_array = preprocess_image(image_bytes)
                result = ensemble_predict(image_array)
                
                # 결과 추가
                batch_result = {
                    "filename": file.filename,
                    "success": True,
                    "predicted_class": result["predicted_class"],
                    "confidence": result["confidence"]
                }
                
                if return_probabilities:
                    batch_result["probabilities"] = result["probabilities"]
                
                results.append(batch_result)
                
            except Exception as e:
                results.append({
                    "filename": file.filename,
                    "success": False,
                    "message": str(e)
                })
        
        return {
            "success": True,
            "total_files": len(files),
            "results": results,
            "timestamp": datetime.now().isoformat()
        }
        
    except Exception as e:
        logger.error(f"배치 예측 오류: {e}")
        return JSONResponse(
            status_code=500,
            content={
                "success": False,
                "message": f"배치 예측 실패: {str(e)}"
            }
        )

if __name__ == "__main__":
    print("🚀 AI 상품 분류 서버 시작!")
    print("📊 모델: 70.61% 메가 앙상블")
    print("🌐 API 문서: http://localhost:8000/docs")
    print("🔍 헬스 체크: http://localhost:8000/health")
    
    uvicorn.run(
        app,
        host="0.0.0.0",
        port=8000,
        log_level="info"
    )