import gradio as gr  # 用于构建 Web 应用
import pickle  # 用于加载模型
import cv2  
from pinecone import Pinecone, ServerlessSpec
import numpy as np  # 用于数值计算
from collections import Counter  # 用于计数
import logging  # 用于记录日志

# 设置日志配置
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

# 初始化 Pinecone
pinecone = Pinecone(api_key="5f01d48c-9244-4f19-b1a6-1008b8728b56") 
index_name = "mnist-index"  # 使用与训练相同的索引名称
index = pinecone.Index(index_name)

# 定义预测函数
def predict(image):
    if image is None:  # 如果图像为空，返回 None
        return None  

    # 转换图像为灰度
    image = cv2.cvtColor(image["composite"], cv2.COLOR_RGBA2GRAY)

    # 缩放图像为 8x8 大小
    image = cv2.resize(image, (8, 8), interpolation=cv2.INTER_AREA)
    image = image.ravel().tolist()  # 转换为列表格式，适合 Pinecone

    # 使用 Pinecone 进行预测
    results = index.query(vector=image, top_k=11, include_metadata=True)  # 查询
    if results['matches']:
        labels = [match['metadata']['label'] for match in results['matches']]
        final_prediction = Counter(labels).most_common(1)[0][0]
        return str(final_prediction)  # 返回预测结果
    else:
        return "没有找到匹配项"  # 如果没有匹配项，返回提示

# 创建 Gradio 接口
interface = gr.Interface(fn=predict, inputs=gr.ImageEditor(), outputs="label")

# 启动 Web 应用
interface.launch()