import torch
import torchvision.transforms as T
from PIL import Image
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')
        
        # --- 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()

        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:
        """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 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