# app.py
from fastapi import FastAPI, File, UploadFile, HTTPException
from fastapi.responses import JSONResponse
from model.model_logic import Predictor # Import class Predictor dari file sebelah
import logging

# Konfigurasi logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# Inisialisasi aplikasi FastAPI
app = FastAPI(
    title="Food Nutrition API",
    description="API untuk memprediksi nama, nutrisi, dan komposisi makanan Indonesia dari gambar.",
    version="1.0.0"
)

# Muat model HANYA SEKALI saat aplikasi dimulai
# Ini sangat penting untuk performa
try:
    logger.info("Memuat model dan aset...")
    predictor = Predictor(
        model_path="assets/best_model_finetuned_convnext.pth",
        metadata_path="assets/FoodID_metadata.csv"
    )
    logger.info("Model dan aset berhasil dimuat.")
except Exception as e:
    logger.error(f"Gagal memuat model: {e}")
    predictor = None

@app.get("/", tags=["General"])
def read_root():
    """Endpoint utama untuk memeriksa apakah API sedang berjalan."""
    return {"status": "ok", "message": "Selamat datang di Food Nutrition API!"}

@app.post("/predict", tags=["Prediction"])
async def predict_image(file: UploadFile = File(...)):
    """
    Endpoint untuk melakukan prediksi.
    - **Upload** sebuah file gambar.
    - **Menerima** hasil prediksi dalam format JSON.
    """
    if not predictor:
        raise HTTPException(status_code=503, detail="Model tidak tersedia. Silakan cek log server.")

    # Pastikan file yang diupload adalah gambar
    if not file.content_type.startswith("image/"):
        raise HTTPException(status_code=400, detail="File yang diunggah harus berupa gambar.")

    try:
        # Baca file gambar
        image_bytes = await file.read()
        
        # Lakukan prediksi
        logger.info(f"Menerima request prediksi untuk file: {file.filename}")
        prediction_result = predictor.predict(image_bytes)
        logger.info(f"Hasil prediksi: {prediction_result['food_name']}")
        
        return JSONResponse(content=prediction_result)

    except Exception as e:
        logger.error(f"Terjadi error saat prediksi: {e}")
        raise HTTPException(status_code=500, detail=f"Terjadi kesalahan internal: {e}")