🍄 Mushroom Identification Service

Сервис для определения видов грибов по фотографии с использованием нейросетевых моделей

Инструкция по запуску проекта

---

1. Необходимые компоненты

• Docker и Docker Compose (версия 1.29+)
• Файл .env с настройками (см. ниже)

---

2. Настройка окружения

Создание файла .env

В корневой папке проекта создайте файл .env с следующими параметрами:

DB_HOST=postgres_db
DB_PORT=5432
DB_USER=your_db_user
DB_PASS=your_db_password
DB_NAME=your_db_name
SECRET_KEY=your_secret_key

Пример:
DB_HOST=database
DB_PORT=5432
DB_USER=postgres
DB_PASS=1234
DB_NAME=sa
SECRET_KEY=06699c43232730d4d466edcd003acfb2c8f9341408da2b3f04bc9c435915a

---

3. Запуск приложения

Запуск через Docker Compose

1. Построение и запуск контейнеров:

   docker-compose up --build

   • Запустятся контейнеры: PostgreSQL, RabbitMQ, FastAPI-сервис, Worker и Nginx.

2. Остановка контейнеров:

   docker-compose down

---

4. Проверка работы

Веб-интерфейс

• Откройте в браузере: http://localhost
• Для доступа к админке RabbitMQ: http://localhost:15672 (логин/пароль из .env)

API-тестирование

• Swagger-документация: http://localhost/docs
• Пример запроса на предсказание:

  curl -X POST -H "Authorization: Bearer <TOKEN>" \
  -F "file=@/путь/к/файлу.jpg" \
  http://localhost/predict

Работа с базой данных

• Инициализация таблиц (если нужно):

  docker-compose run --rm app python app/main.py

---

5. Особенности

Worker-сервис

• Обрабатывает задания из очереди RabbitMQ.
• Для увеличения параллелизма измените replicas: 2 в docker-compose.yml.

Баланс пользователей

• Списание средств происходит при отправке фото для распознавания.
• Пополнение баланса через форму на странице /dashboard.

Модели распознавания

• Используется модель dima806/mushrooms_image_detection из Hugging Face.
• Для замены модели измените код в app/models_class/ml_model.py.

---