Fix tab_dataset

2026-05-06 22:31:52 +00:00
parent 9954603043
commit b99ca8022a
5 changed files with 307 additions and 102 deletions
@@ -5,41 +5,53 @@ import timm
 from pathlib import Path
 import numpy as np

+# НОВЫЙ ИМПОРТ ДЛЯ VLM
+from transformers import BlipProcessor, BlipForConditionalGeneration
+
 class ImageProcessor:
    def __init__(self, model_path: Path | str):
        self.device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
        
-        # Загружаем базовую архитектуру, как при обучении EmoSet
-        self.model = timm.create_model('resnet50', pretrained=False, num_classes=8)
-        
-        # Подгружаем обученные веса
+        # --- ПОТОК 1: ЭМОЦИИ (ResNet-50) ---
+        print("⏳ Загрузка эмоционального модуля (ResNet-50)...")
+        self.emo_model = timm.create_model('resnet50', pretrained=False, num_classes=8)
        if Path(model_path).exists():
-            # map_location позволяет загрузить модель на CPU, если нет видеокарты
-            self.model.load_state_dict(torch.load(model_path, map_location=self.device))
-            print(f"✅ Веса ResNet-50 успешно загружены из {model_path}")
-        else:
-            print(f"⚠️ ОШИБКА: Файл весов {model_path} не найден! Модель будет выдавать случайный шум.")
-            
-        # Удаляем последний слой (классификатор на 8 эмоций), 
-        # чтобы на выходе получать сырой вектор (embedding) на 2048 чисел
-        self.model.fc = torch.nn.Identity()
-        
-        self.model.to(self.device)
-        self.model.eval()
+            self.emo_model.load_state_dict(torch.load(model_path, map_location=self.device))
+        self.emo_model.fc = torch.nn.Identity()
+        self.emo_model.to(self.device).eval()

-        # Стандартные трансформации ImageNet (строго как при обучении)
-        self.transform = T.Compose([
+        self.emo_transform = T.Compose([
            T.Resize((224, 224)),
            T.ToTensor(),
            T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
        ])

+        # --- ПОТОК 2: СЕМАНТИКА И КОНТЕКСТ (BLIP Large) ---
+        print("⏳ Загрузка мощной VLM модели (BLIP) для описания сцен...")
+        # Используем версию Large, так как позволяет железо V100
+        self.blip_processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
+        self.blip_model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large").to(self.device)
+        
+        print("✅ Обе нейросети визуального анализа успешно загружены на V100!")
+
    @torch.no_grad()
    def extract_embedding(self, image: Image.Image) -> np.ndarray:
-        """Принимает PIL Image, возвращает numpy-вектор."""
-        # Переводим в RGB (на случай если загрузят PNG с прозрачностью или ЧБ)
+        """Извлекает 2048-мерный вектор эмоций."""
        img_rgb = image.convert('RGB')
-        img_tensor = self.transform(img_rgb).unsqueeze(0).to(self.device)
+        img_tensor = self.emo_transform(img_rgb).unsqueeze(0).to(self.device)
+        return self.emo_model(img_tensor).cpu().numpy().flatten()
        
-        embedding = self.model(img_tensor)
-        return embedding.cpu().numpy().flatten()
+    @torch.no_grad()
+    def describe_scene(self, image: Image.Image) -> str:
+        """Генерирует текстовое описание картинки (Captioning) для LLM."""
+        img_rgb = image.convert('RGB')
+        
+        # Готовим картинку для BLIP
+        inputs = self.blip_processor(img_rgb, return_tensors="pt").to(self.device)
+        
+        # Генерируем описание (max_new_tokens ограничим, чтобы было лаконично)
+        out = self.blip_model.generate(**inputs, max_new_tokens=30)
+        
+        # Декодируем тензор в строку
+        caption = self.blip_processor.decode(out[0], skip_special_tokens=True)
+        return caption
@@ -0,0 +1,60 @@
+import requests
+import json
+import re
+
+class LLMAcousticBridge:
+    def __init__(self, model_name="phi3", host="http://localhost:11434"):
+        self.model_name = model_name
+        self.api_url = f"{host}/api/generate"
+
+    def _clean_json(self, text):
+        """Вытаскивает чистый JSON из ответа нейросети."""
+        try:
+            match = re.search(r'\{.*\}', text, re.DOTALL)
+            if match:
+                return json.loads(match.group(0))
+            return json.loads(text)
+        except:
+            return None
+
+    def get_acoustic_profile(self, valence, arousal, scene_descriptions):
+        """Просит LLM сгенерировать идеальный звук под описание."""
+        # Объединяем описания, если загружено несколько фото
+        context_str = " | ".join(scene_descriptions) if scene_descriptions else "abstract scene"
+        
+        prompt = f"""You are an expert music producer and acoustic engineer. 
+Analyze the visual context and emotions to determine the ideal background music properties.
+Emotions: Valence {valence:.1f}/9.0 (Positivity), Arousal {arousal:.1f}/9.0 (Energy).
+Visual Context: {context_str}.
+
+Map this scene to exactly 6 acoustic features. Values MUST be floats between 0.0 and 1.0.
+1. "energy": (Loudness/Density. High for massive/busy scenes, Low for calm)
+2. "flux": (Rhythmic sharpness/Beat. High for action/people/cars, Low for static nature)
+3. "centroid": (Brightness: 0=Dark/Bass/Massive, 1=Bright/Treble/Light)
+4. "pitch": (Fundamental frequency: 0=Low pitch/Huge objects, 1=High pitch/Small objects)
+5. "hnr": (Harmonics-to-Noise: 0=Noisy/Distorted textures, 1=Clear/Melodic/Smooth textures)
+6. "zcr": (Percussiveness. High for detailed noise like leaves/rain, Low for solid blocks)
+
+Return ONLY a valid JSON object. Do not add any text or explanation.
+Example: {{"energy": 0.5, "flux": 0.2, "centroid": 0.4, "pitch": 0.3, "hnr": 0.8, "zcr": 0.1}}"""
+
+        try:
+            response = requests.post(self.api_url, json={
+                "model": self.model_name,
+                "prompt": prompt,
+                "stream": False,
+                "format": "json"
+            }, timeout=30)
+            response.raise_for_status()
+            
+            result_text = response.json().get("response", "")
+            profile = self._clean_json(result_text)
+            
+            # Проверяем, что все нужные ключи есть
+            required_keys = ['energy', 'flux', 'centroid', 'pitch', 'hnr', 'zcr']
+            if profile and all(k in profile for k in required_keys):
+                return profile
+            return None
+        except Exception as e:
+            print(f"⚠️ Ошибка связи с локальной LLM: {e}")
+            return None
@@ -5,64 +5,63 @@ import joblib

 class MusicMatcher:
    def __init__(self, db_path: Path | str, model_path: Path | str):
-        """
-        Инициализация движка сопоставления музыки.
-        """
+        # Загружаем твою новую, обогащенную базу
        self.music_db = pd.read_csv(db_path)
-        self.music_db['valence'] = pd.to_numeric(self.music_db['valence'], errors='coerce')
-        self.music_db['arousal'] = pd.to_numeric(self.music_db['arousal'], errors='coerce')
-        self.music_db = self.music_db.dropna()
+        self.acoustic_features = ['energy', 'flux', 'centroid', 'pitch', 'hnr', 'zcr']
        
+        # Удаляем строки, где нет акустических фич
+        self.music_db = self.music_db.dropna(subset=['valence', 'arousal'] + self.acoustic_features)
+        
+        # Нормализуем акустику от 0 до 1, чтобы сравнивать с ответом LLM
+        self.norm_db = self.music_db.copy()
+        for feat in self.acoustic_features:
+            f_min, f_max = self.norm_db[feat].min(), self.norm_db[feat].max()
+            if f_max > f_min:
+                self.norm_db[f"norm_{feat}"] = (self.norm_db[feat] - f_min) / (f_max - f_min)
+            else:
+                self.norm_db[f"norm_{feat}"] = 0.0
+
        self.audio_dir = Path(db_path).parent / "DEAM_audio" / "MEMD_audio"
-        
-        if self.audio_dir.exists():
-            print(f"✅ Музыкальный архив найден: {self.audio_dir}")
-        else:
-            print(f"⚠️ ПРЕДУПРЕЖДЕНИЕ: Папка {self.audio_dir} не найдена!")
-        
-        if Path(model_path).exists():
-            self.regressor = joblib.load(model_path)
-            print("✅ ML-регрессор загружен.")
-        else:
-            self.regressor = None
-            print("⚠️ Файл модели .pkl не найден.")
+        self.regressor = joblib.load(model_path) if Path(model_path).exists() else None

    def predict_va(self, embedding: np.ndarray):
-        """Честный прогноз координат Valence-Arousal."""
-        if self.regressor is not None:
-            emb_2d = embedding.reshape(1, -1)
-            prediction = self.regressor.predict(emb_2d)[0]
+        if self.regressor:
+            prediction = self.regressor.predict(embedding.reshape(1, -1))[0]
            return np.clip(prediction[0], 1.0, 9.0), np.clip(prediction[1], 1.0, 9.0)
        return 5.0, 5.0

    def get_audio_path(self, song_id):
-        """Поиск mp3 файла по его номеру."""
-        if not self.audio_dir.exists():
-            return None
-            
+        if not self.audio_dir.exists(): return None
        clean_id = str(int(float(song_id)))
        for ext in ['.mp3', '.wav']:
-            file_path = self.audio_dir / f"{clean_id}{ext}"
-            if file_path.exists():
-                return file_path
+            path = self.audio_dir / f"{clean_id}{ext}"
+            if path.exists(): return path
        return None

-    def find_nearest_tracks(self, target_v: float, target_a: float, top_k: int = 5):
-        """
-        Поиск с использованием Взвешенного Евклидова расстояния (Weighted KNN).
-        Энергия (Arousal) получает больший вес, так как она сильнее 
-        определяет жанр и ритм композиции.
-        """
-        # Вес для Arousal = 2.0, для Valence = 1.0
-        # Это не позволит спокойным трекам (A < 4) попадать в выдачу 
-        # для энергичных запросов (A > 6).
-        distances = np.sqrt(
-            1.0 * (self.music_db['valence'] - target_v)**2 + 
-            2.5 * (self.music_db['arousal'] - target_a)**2  # Жесткий штраф за разницу в энергии
+    def find_nearest_tracks(self, target_v: float, target_a: float, llm_profile: dict = None, top_k: int = 5):
+        # 1. Эмоциональная дистанция (как и раньше)
+        emo_dist = np.sqrt(
+            1.0 * (self.norm_db['valence'] - target_v)**2 + 
+            2.5 * (self.norm_db['arousal'] - target_a)**2
        )
+        self.norm_db['emo_distance'] = emo_dist
        
-        df_result = self.music_db.copy()
-        df_result['distance'] = distances
-        
-        # Сортируем по расстоянию и берем топ-K
-        return df_result.sort_values(by='distance').head(top_k)
+        # Если LLM не дала ответ, сортируем только по эмоциям
+        if not llm_profile:
+            self.norm_db['final_score'] = self.norm_db['emo_distance']
+            return self.norm_db.sort_values(by='final_score').head(top_k)
+
+        # 2. Акустическая дистанция (сравниваем треки с запросом LLM)
+        acoustic_penalty = np.zeros(len(self.norm_db))
+        for feat in self.acoustic_features:
+            if feat in llm_profile:
+                target_val = llm_profile[feat]
+                acoustic_penalty += np.abs(self.norm_db[f"norm_{feat}"] - target_val)
+
+        # Усредняем штраф
+        self.norm_db['acoustic_distance'] = acoustic_penalty / len(self.acoustic_features)
+
+        # 3. Финальный Score (Смесь Эмоций и Акустики). Коэф 4.0 делает акустику важной!
+        self.norm_db['final_score'] = self.norm_db['emo_distance'] + (self.norm_db['acoustic_distance'] * 4.0)
+
+        return self.norm_db.sort_values(by='final_score').head(top_k)