Update app.py

app.py

@@ -1,5 +1,8 @@
 import gradio as gr
 from transformers import AutoProcessor, CLIPModel
+from fashion_clip.fashion_clip import FashionCLIP
+
+fclip = FashionCLIP('fashion-clip')
 
 # Charger le pipeline
 
@@ -9,15 +12,12 @@ processor = AutoProcessor.from_pretrained("patrickjohncyh/fashion-clip")
 # Définir la fonction pour la classification d'image avec du texte en entrée
 def classify_image_with_text(text, image):
     # Effectuer la classification d'image à l'aide du texte
-    inputs = processor(
-            text=["a photo of a man", "a photo of a woman"], images=image, return_tensors="pt", padding=True
-    )
-    outputs = model(**inputs)
-    # Récupérer l'index de l'étiquette avec le score le plus élevé
-    predicted_class_index = outputs.logits_per_image.argmax(dim=-1)
-    # Convertir l'index de l'étiquette en libellé
-    label = processor.convert_ids_to_tokens(predicted_class_index.item())
-    return label
+    image_embeddings = fclip.encode_images(image, batch_size=32)
+    text_embeddings = fclip.encode_text(text, batch_size=32)
+    # we normalize the embeddings to unit norm (so that we can use dot product instead of cosine similarity to do comparisons)
+    image_embeddings = image_embeddings/np.linalg.norm(image_embeddings, ord=2, axis=-1, keepdims=True)
+    text_embeddings = text_embeddings/np.linalg.norm(text_embeddings, ord=2, axis=-1, keepdims=True)
+    return text_embeddings;
     
 # Créer l'interface Gradio avec l'API de Gradio Blocks
 with gr.Interface(