feat: Init

src/api.py

@@ -0,0 +1,53 @@
+import io
+import os
+from fastapi import FastAPI, UploadFile, File, HTTPException
+from fastapi.responses import JSONResponse
+from PIL import Image
+
+# Импортируем твои существующие загрузчики (они теперь работают только на бэкенде)
+from data_loader import load_music_engine, load_image_processor
+
+app = FastAPI(title="EmoM Inference API", version="1.0.0")
+
+# Глобальный кэш для удержания моделей в памяти
+ml_context = {
+    "image_processor": None,
+    "music_matcher": None
+}
+
+@app.on_event("startup")
+async def startup_event():
+    print("Инициализация нейросетевого ядра EmoM...")
+    ml_context["image_processor"] = load_image_processor()
+    ml_context["music_matcher"] = load_music_engine()
+    
+    if not ml_context["image_processor"] or not ml_context["music_matcher"]:
+        raise RuntimeError("Отказ системы: Артефакты моделей не найдены.")
+    print("Вычислительный конвейер готов к работе.")
+
+@app.post("/analyze")
+async def analyze_image_endpoint(file: UploadFile = File(...)):
+    """
+    Принимает изображение, прогоняет через ResNet и возвращает треки из DEAM.
+    """
+    try:
+        # 1. Чтение бинарных данных из запроса
+        image_bytes = await file.read()
+        image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
+        
+        # 2. Инференс (ВНИМАНИЕ: здесь используй реальные названия методов из своих классов!)
+        # Предположим, твой процессор выдает координаты V/A
+        v_a_coords = ml_context["image_processor"].extract_va(image) 
+        
+        # 3. Поиск треков в базе
+        matched_tracks = ml_context["music_matcher"].find_tracks(v_a_coords)
+        
+        # 4. Формирование ответа
+        return JSONResponse(content={
+            "status": "success",
+            "valence_arousal": v_a_coords,
+            "tracks": matched_tracks
+        })
+        
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=f"Ошибка инференса: {str(e)}")