test

README.md

@@ -1,109 +1,12 @@
-# CLIP Score Challenge
-
-Eine produktionsnahe Gradio-App, die Benutzertexte gegen einen festen Bildpool bewertet. Die App nutzt CLIP (open-clip ViT-B-32, Pretrained "openai") für Text- und Bild-Embeddings und speichert alle Scores in einer externen PostgreSQL-Datenbank.
-
-## Features
-
-- Fester Bildpool aus `images.csv` (nur externe URLs, keine Uploads)
-- Vorberechnete Bild-Embeddings (Kosinus-Ähnlichkeit → Score 0–1000)
-- Deutschsprachige UI mit Leaderboard (global, pro Bild, eigene letzten Scores)
-- Persistenz via PostgreSQL (SQLAlchemy + psycopg2)
-- Keine Moderation, kein Rate-Limit
-- Skript zur Vorberechnung der Embeddings
-- Automatische Schema-Erstellung beim Start
-- Light-Tests (Score-Mapping + DB Roundtrip)
-
-## Projektstruktur
-
-```
-.
-├── app.py                   # Gradio UI & Callback-Logik
-├── db.py                    # Datenbank-Modelle & Hilfsfunktionen
-├── model.py                 # CLIP-Laden, Embeddings, Score-Berechnung
-├── precompute_embeddings.py # Skript zum Vorberechnen der Bild-Embeddings
-├── images.csv               # Bildpool (image_id, image_url, clip_model, embedding_path)
-├── embeddings/              # .npy-Embeddings (initial leer, Skript befüllt)
-├── tests/                   # Pytest-Tests
-├── requirements.txt
-├── runtime.txt              # Python-Version für HF Spaces (3.10)
-├── .env.example             # Beispiel für lokale Entwicklung
-└── README.md
-```
-
-## Vorbereitung
-
-1. **Python 3.10** installieren (lokal oder via venv/conda).
-2. Repository klonen und Abhängigkeiten installieren:
-   ```bash
-   pip install -r requirements.txt
-   ```
-3. `.env` anlegen (siehe `.env.example`) oder `DATABASE_URL` direkt exportieren.
-   ```bash
-   export DATABASE_URL=postgresql+psycopg2://user:pass@host:5432/dbname
-   ```
-
-## Embeddings vorrechnen
-
-Das Skript lädt jedes Bild aus `images.csv`, berechnet das CLIP-Embedding und speichert es unter `embedding_path`.
-
-```bash
-python precompute_embeddings.py --csv images.csv --model-name ViT-B-32 --pretrained openai
-```
-
-Hinweise:
-- Die Bild-URLs müssen öffentlich erreichbar sein.
-- Beim ersten Lauf wird das Modell automatisch geladen (~1x pro Space).
-- Embedding-Dateien (`.npy`) werden im `embeddings/` Ordner gespeichert. Diese Dateien **müssen** ins Repo eingecheckt oder im Space verfügbar sein.
-
-## Lokale Entwicklung
-
-1. Embeddings berechnen (siehe oben).
-2. App starten:
-   ```bash
-   python app.py
-   ```
-3. Gradio öffnet standardmäßig `http://127.0.0.1:7860`.
-
-## Tests
-
-```bash
-pytest
-```
-
-## Deployment auf Hugging Face Spaces
-
-1. **Space anlegen**
-   - Typ: *Gradio*
-   - Runtime: Python 3.10 (`runtime.txt` ist bereits enthalten)
-
-2. **Secrets setzen**
-   - Im Space `Settings` → `New secret`
-   - Schlüssel: `DATABASE_URL`
-   - Wert: PostgreSQL-Verbindungsstring (z. B. von Neon/Supabase)
-
-3. **Embeddings bereitstellen**
-   - Lokal `precompute_embeddings.py` ausführen
-   - Die erzeugten `.npy`-Dateien unter `embeddings/` committen und zum Space pushen (z. B. via `git add embeddings/*.npy`)
-   - Alternativ die Dateien manuell im Space hochladen
-
-4. **Code pushen**
-   - Repo-Inhalt in den Space pushen (oder per `Add file` hochladen)
-
-5. **Space starten**
-   - Beim Start erstellt `app.py` automatisch das DB-Schema (`users`, `scores` + Indizes)
-   - UI erscheint mit deutschem Leaderboard
-
-## Datenbankschema
-
-- `users`: speichert `username` (kanonisch, lowercase) und `display_name`
-- `scores`: enthält `username`, `canonical_username`, `image_id`, `score`, `similarity`, `text`, `created_at`
-- Mehrere Scores pro Benutzer sind erlaubt, keine Deduplication
-
-## Hinweise
-
-- Scores werden deterministisch berechnet (gleicher Text + Bild → gleicher Score)
-- Keine IP- oder personenbezogene Daten werden geloggt
-- Für produktiven Einsatz unbedingt abgesicherte Postgres-Instanz verwenden
-- Bei neuen Bildern `images.csv` erweitern, Skript erneut laufen lassen und `.npy`-Dateien committen
-
-Viel Spaß beim Scoren! 🎯
+---
+title: My Game Space
+emoji: 🕹️
+colorFrom: blue
+colorTo: green
+sdk: gradio
+sdk_version: "4.21.0"
+app_file: app.py
+pinned: false
+---
+
+Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

README2.md

@@ -0,0 +1,109 @@
+# CLIP Score Challenge
+
+Eine produktionsnahe Gradio-App, die Benutzertexte gegen einen festen Bildpool bewertet. Die App nutzt CLIP (open-clip ViT-B-32, Pretrained "openai") für Text- und Bild-Embeddings und speichert alle Scores in einer externen PostgreSQL-Datenbank.
+
+## Features
+
+- Fester Bildpool aus `images.csv` (nur externe URLs, keine Uploads)
+- Vorberechnete Bild-Embeddings (Kosinus-Ähnlichkeit → Score 0–1000)
+- Deutschsprachige UI mit Leaderboard (global, pro Bild, eigene letzten Scores)
+- Persistenz via PostgreSQL (SQLAlchemy + psycopg2)
+- Keine Moderation, kein Rate-Limit
+- Skript zur Vorberechnung der Embeddings
+- Automatische Schema-Erstellung beim Start
+- Light-Tests (Score-Mapping + DB Roundtrip)
+
+## Projektstruktur
+
+```
+.
+├── app.py                   # Gradio UI & Callback-Logik
+├── db.py                    # Datenbank-Modelle & Hilfsfunktionen
+├── model.py                 # CLIP-Laden, Embeddings, Score-Berechnung
+├── precompute_embeddings.py # Skript zum Vorberechnen der Bild-Embeddings
+├── images.csv               # Bildpool (image_id, image_url, clip_model, embedding_path)
+├── embeddings/              # .npy-Embeddings (initial leer, Skript befüllt)
+├── tests/                   # Pytest-Tests
+├── requirements.txt
+├── runtime.txt              # Python-Version für HF Spaces (3.10)
+├── .env.example             # Beispiel für lokale Entwicklung
+└── README.md
+```
+
+## Vorbereitung
+
+1. **Python 3.10** installieren (lokal oder via venv/conda).
+2. Repository klonen und Abhängigkeiten installieren:
+   ```bash
+   pip install -r requirements.txt
+   ```
+3. `.env` anlegen (siehe `.env.example`) oder `DATABASE_URL` direkt exportieren.
+   ```bash
+   export DATABASE_URL=postgresql+psycopg2://user:pass@host:5432/dbname
+   ```
+
+## Embeddings vorrechnen
+
+Das Skript lädt jedes Bild aus `images.csv`, berechnet das CLIP-Embedding und speichert es unter `embedding_path`.
+
+```bash
+python precompute_embeddings.py --csv images.csv --model-name ViT-B-32 --pretrained openai
+```
+
+Hinweise:
+- Die Bild-URLs müssen öffentlich erreichbar sein.
+- Beim ersten Lauf wird das Modell automatisch geladen (~1x pro Space).
+- Embedding-Dateien (`.npy`) werden im `embeddings/` Ordner gespeichert. Diese Dateien **müssen** ins Repo eingecheckt oder im Space verfügbar sein.
+
+## Lokale Entwicklung
+
+1. Embeddings berechnen (siehe oben).
+2. App starten:
+   ```bash
+   python app.py
+   ```
+3. Gradio öffnet standardmäßig `http://127.0.0.1:7860`.
+
+## Tests
+
+```bash
+pytest
+```
+
+## Deployment auf Hugging Face Spaces
+
+1. **Space anlegen**
+   - Typ: *Gradio*
+   - Runtime: Python 3.10 (`runtime.txt` ist bereits enthalten)
+
+2. **Secrets setzen**
+   - Im Space `Settings` → `New secret`
+   - Schlüssel: `DATABASE_URL`
+   - Wert: PostgreSQL-Verbindungsstring (z. B. von Neon/Supabase)
+
+3. **Embeddings bereitstellen**
+   - Lokal `precompute_embeddings.py` ausführen
+   - Die erzeugten `.npy`-Dateien unter `embeddings/` committen und zum Space pushen (z. B. via `git add embeddings/*.npy`)
+   - Alternativ die Dateien manuell im Space hochladen
+
+4. **Code pushen**
+   - Repo-Inhalt in den Space pushen (oder per `Add file` hochladen)
+
+5. **Space starten**
+   - Beim Start erstellt `app.py` automatisch das DB-Schema (`users`, `scores` + Indizes)
+   - UI erscheint mit deutschem Leaderboard
+
+## Datenbankschema
+
+- `users`: speichert `username` (kanonisch, lowercase) und `display_name`
+- `scores`: enthält `username`, `canonical_username`, `image_id`, `score`, `similarity`, `text`, `created_at`
+- Mehrere Scores pro Benutzer sind erlaubt, keine Deduplication
+
+## Hinweise
+
+- Scores werden deterministisch berechnet (gleicher Text + Bild → gleicher Score)
+- Keine IP- oder personenbezogene Daten werden geloggt
+- Für produktiven Einsatz unbedingt abgesicherte Postgres-Instanz verwenden
+- Bei neuen Bildern `images.csv` erweitern, Skript erneut laufen lassen und `.npy`-Dateien committen
+
+Viel Spaß beim Scoren! 🎯