Release

src/music_engine/image_processor.py

@@ -5,18 +5,18 @@ import timm
 from pathlib import Path
 import numpy as np
 
-# ТЕПЕРЬ BLIP-2
-from transformers import Blip2Processor, Blip2ForConditionalGeneration
+# 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')
         
-        # --- ПОТОК 1: ТВОЙ АВТОРСКИЙ ЭМБЕДДИНГ (Core) ---
+        # --- 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():
             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()
 
@@ -26,31 +26,32 @@ class ImageProcessor:
             T.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
         ])
 
-        # --- ПОТОК 2: СЕМАНТИЧЕСКИЙ ЭКСПЕРТ BLIP-2 ---
-        print("⏳ Загрузка тяжелой артиллерии: BLIP-2...")
-        # Используем версию opt-2.7b — она идеально сбалансирована для V100
-        self.blip_processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
-        self.blip_model = Blip2ForConditionalGeneration.from_pretrained(
-            "Salesforce/blip2-opt-2.7b", 
-            torch_dtype=torch.float16 # Обязательно для скорости на V100
-        ).to(self.device)
-        print("✅ BLIP-2 и ResNet-50 готовы.")
+        # --- 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:
+        """Извлекает 2048-мерный вектор эмоций."""
         img_rgb = image.convert('RGB')
         img_tensor = self.emo_transform(img_rgb).unsqueeze(0).to(self.device)
         return self.emo_model(img_tensor).cpu().numpy().flatten()
         
     @torch.no_grad()
     def describe_scene(self, image: Image.Image) -> str:
-        """Генерирует описание через BLIP-2."""
+        """Генерирует текстовое описание картинки (Captioning) для LLM."""
         img_rgb = image.convert('RGB')
         
-        # Инференс BLIP-2 требует float16 для V100
-        inputs = self.blip_processor(images=img_rgb, return_tensors="pt").to(self.device, torch.float16)
+        # Готовим картинку для BLIP
+        inputs = self.blip_processor(img_rgb, return_tensors="pt").to(self.device)
         
-        # Генерируем описание
-        generated_ids = self.blip_model.generate(**inputs, max_new_tokens=40)
-        caption = self.blip_processor.batch_decode(generated_ids, skip_special_tokens=True)[0].strip()
+        # 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

src/music_engine/llm_bridge.py

@@ -3,9 +3,9 @@ import json
 import re
 
 class LLMAcousticBridge:
-    def __init__(self, model_name="dolphin-llama3:8b"):
+    def __init__(self, model_name="phi3", host="http://localhost:11434"):
         self.model_name = model_name
-        self.api_url = "http://localhost:11434/api/generate"
+        self.api_url = f"{host}/api/generate"
 
     def _clean_json(self, text):
         """Вытаскивает чистый JSON из ответа нейросети."""

src/tabs/tab_dataset.py

@@ -74,8 +74,7 @@ def render_dataset_tab(matcher, image_files, embeddings, labels_array, images_pa
                     c1, c2 = st.columns([1, 3])
                     with c1:
                         st.write(f"**ID:** {int(row['song_id'])}")
-                        score_val = row.get('final_score', row.get('emo_distance', 0))
-                        st.caption(f"Dist Score: {score_val:.2f}")
+                        st.caption(f"L2 Dist: {row['distance']:.2f}")
                     with c2:
                         audio_path = matcher.get_audio_path(row['song_id'])
                         if audio_path: