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)}")