feat: treino assíncrono com polling de status

/treinar agora dispara em background thread e retorna imediato.
Novo endpoint GET /treinar/status expõe estado (idle/running/concluido/vazio/erro).

main.py

@@ -5,6 +5,7 @@ import os
 import io
 import shutil
 import yaml
+import threading
 from PIL import Image
 from PIL import Image as PILImage
 from datetime import datetime
@@ -15,6 +16,10 @@ BUCKET = os.getenv('BUCKET_NAME', 'ia-gondola-projeto-2024')
 
 MODELOS_CARREGADOS = {}
 
+_treinamento_status = {"status": "idle", "ambiente": None, "versao": None, "detalhe": None}
+_status_lock = threading.Lock()
+
+
 def redimensionar_imagem(caminho):
     PILImage.MAX_IMAGE_PIXELS = None
     img = PILImage.open(caminho)
@@ -40,18 +45,131 @@ def carregar_modelo_do_s3(ambiente: str):
         resp_head = s3.head_object(Bucket=BUCKET, Key=s3_key)
         data_s3 = resp_head['LastModified'].timestamp()
         if data_s3 > data_local:
-            log_print(f"🔄 Modelo '{ambiente}' atualizado no S3. Atualizando local...")
+            log_print(f"Modelo '{ambiente}' atualizado no S3. Atualizando local...")
             os.remove(local_path)
             if ambiente in MODELOS_CARREGADOS:
                 del MODELOS_CARREGADOS[ambiente]
 
     if ambiente not in MODELOS_CARREGADOS:
         if not os.path.exists(local_path):
-            log_print(f"📥 Baixando cérebro '{ambiente}'...")
+            log_print(f"Baixando cerebro '{ambiente}'...")
             s3.download_file(BUCKET, s3_key, local_path)
         MODELOS_CARREGADOS[ambiente] = YOLO(local_path)
     return MODELOS_CARREGADOS[ambiente]
 
+
+def _executar_treino_sync(ambiente: str, pular_triagem: bool) -> dict:
+    """Execução síncrona do treino — chamada em background thread."""
+    prefix_novos = f"treinamento/{ambiente}/novos-treinamentos/"
+    objs = s3.list_objects_v2(Bucket=BUCKET, Prefix=prefix_novos)
+
+    modelo_base = carregar_modelo_do_s3(ambiente)
+
+    if pular_triagem:
+        log_print(f"TRIAGEM PULADA: movendo todos os arquivos direto para base-oficial ({ambiente})")
+        if 'Contents' in objs:
+            for obj in objs['Contents']:
+                k = obj['Key']
+                if k.endswith(('.jpg', '.jpeg', '.png', '.txt')):
+                    new_k = k.replace("novos-treinamentos", "base-oficial")
+                    s3.copy_object(Bucket=BUCKET, CopySource={'Bucket': BUCKET, 'Key': k}, Key=new_k)
+                    s3.delete_object(Bucket=BUCKET, Key=k)
+                    log_print(f"{os.path.basename(k)} -> base-oficial")
+    else:
+        log_print(f"INICIANDO TRIAGEM INTELIGENTE: {ambiente}")
+        if 'Contents' in objs:
+            for obj in objs['Contents']:
+                if obj['Key'].endswith(('.jpg', '.jpeg', '.png')):
+                    img_key = obj['Key']
+                    txt_key = img_key.rsplit('.', 1)[0] + ".txt"
+                    resp_img = s3.get_object(Bucket=BUCKET, Key=img_key)
+                    img_data = Image.open(io.BytesIO(resp_img['Body'].read()))
+                    pred = modelo_base(img_data, conf=0.1, verbose=False)
+                    confs = [float(b.conf) for r in pred for b in r.boxes]
+                    media = sum(confs)/len(confs) if confs else 0
+                    decisao = "base-oficial" if media >= 0.30 or media == 0 else "descartados"
+                    log_print(f"{os.path.basename(img_key)}: Conf. {media:.2f} -> {decisao}")
+                    for k in [img_key, txt_key]:
+                        try:
+                            s3.head_object(Bucket=BUCKET, Key=k)
+                            new_k = k.replace("novos-treinamentos", decisao)
+                            s3.copy_object(Bucket=BUCKET, CopySource={'Bucket': BUCKET, 'Key': k}, Key=new_k)
+                            s3.delete_object(Bucket=BUCKET, Key=k)
+                        except Exception:
+                            continue
+
+    dataset_local = f"/tmp/dataset_{ambiente}"
+    img_dir = f"{dataset_local}/train/images"
+    lbl_dir = f"{dataset_local}/train/labels"
+    if os.path.exists(dataset_local):
+        shutil.rmtree(dataset_local)
+    os.makedirs(img_dir, exist_ok=True)
+    os.makedirs(lbl_dir, exist_ok=True)
+
+    log_print("Baixando Base Oficial (Ouro)...")
+    ouro = s3.list_objects_v2(Bucket=BUCKET, Prefix=f"treinamento/{ambiente}/base-oficial/")
+    if 'Contents' in ouro:
+        for o in ouro['Contents']:
+            k = o['Key']
+            if k.endswith(('.jpg', '.jpeg', '.txt')):
+                dest = img_dir if not k.endswith('.txt') else lbl_dir
+                caminho_local = os.path.join(dest, os.path.basename(k))
+                s3.download_file(BUCKET, k, caminho_local)
+                if not k.endswith('.txt'):
+                    redimensionar_imagem(caminho_local)
+
+    if len(os.listdir(img_dir)) > 0:
+        yaml_path = f"{dataset_local}/data.yaml"
+        with open(yaml_path, 'w') as f:
+            yaml.dump({'train': img_dir, 'val': img_dir, 'nc': 1, 'names': {0: ambiente}}, f)
+
+        log_print(f"Treinando com {len(os.listdir(img_dir))} fotos...")
+        modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=16, device='cpu', plots=True)
+
+        best = "runs/detect/train/weights/best.pt"
+        if os.path.exists(best):
+            carimbo = datetime.now().strftime("%Y%m%d_%H%M")
+            s3.upload_file(best, BUCKET, f"modelos/{ambiente}/atual/cerebro.pt")
+            s3.upload_file(best, BUCKET, f"modelos/{ambiente}/versionamento/cerebro_{carimbo}.pt")
+            if ambiente in MODELOS_CARREGADOS:
+                del MODELOS_CARREGADOS[ambiente]
+            log_print("TREINAMENTO CONCLUIDO!")
+            return {"status": "sucesso", "versao": carimbo}
+
+    log_print("Nenhuma imagem passou na triagem para a Base Oficial.")
+    return {"status": "vazio"}
+
+
+def _treinar_bg(ambiente: str, pular_triagem: bool):
+    global _treinamento_status
+    try:
+        resultado = _executar_treino_sync(ambiente, pular_triagem)
+        with _status_lock:
+            if resultado["status"] == "sucesso":
+                _treinamento_status = {
+                    "status": "concluido",
+                    "ambiente": ambiente,
+                    "versao": resultado.get("versao"),
+                    "detalhe": None,
+                }
+            else:
+                _treinamento_status = {
+                    "status": "vazio",
+                    "ambiente": ambiente,
+                    "versao": None,
+                    "detalhe": "Nenhuma imagem passou na triagem",
+                }
+    except Exception as e:
+        log_print(f"Erro no treino: {str(e)}")
+        with _status_lock:
+            _treinamento_status = {
+                "status": "erro",
+                "ambiente": ambiente,
+                "versao": None,
+                "detalhe": str(e)[:500],
+            }
+
+
 @app.post("/detectar")
 async def detectar(ambiente: str = Form(...), file: UploadFile = File(...)):
     try:
@@ -60,101 +178,35 @@ async def detectar(ambiente: str = Form(...), file: UploadFile = File(...)):
         conteudo = await file.read()
         imagem = Image.open(io.BytesIO(conteudo))
         results = modelo(imagem, conf=0.25)
-        deteccoes = [{"box": [round(x, 2) for x in b.xyxy[0].tolist()], "conf": round(float(b.conf), 2), "class": int(b.cls)} for r in results for b in r.boxes]
+        deteccoes = [
+            {"box": [round(x, 2) for x in b.xyxy[0].tolist()], "conf": round(float(b.conf), 2), "class": int(b.cls)}
+            for r in results for b in r.boxes
+        ]
         return {"status": "sucesso", "deteccoes": deteccoes}
     except Exception as e:
-        log_print(f"❌ Erro detecção: {str(e)}")
+        log_print(f"Erro deteccao: {str(e)}")
         raise HTTPException(status_code=500, detail=str(e))
 
+
 @app.post("/treinar")
 async def treinar(dados: dict):
-    ambiente = dados.get("ambiente", "gondola")
+    global _treinamento_status
-    pular_triagem = dados.get("pular_triagem", False)
+    with _status_lock:
-    try:
+        if _treinamento_status["status"] == "running":
-        prefix_novos = f"treinamento/{ambiente}/novos-treinamentos/"
+            raise HTTPException(status_code=409, detail="Treinamento já em andamento")
-        objs = s3.list_objects_v2(Bucket=BUCKET, Prefix=prefix_novos)
+        ambiente = dados.get("ambiente", "gondola")
+        pular_triagem = dados.get("pular_triagem", False)
+        _treinamento_status = {"status": "running", "ambiente": ambiente, "versao": None, "detalhe": None}
 
-        modelo_base = carregar_modelo_do_s3(ambiente)
+    threading.Thread(target=_treinar_bg, args=(ambiente, pular_triagem), daemon=True).start()
+    return {"status": "iniciado", "ambiente": ambiente}
 
-        if pular_triagem:
-            log_print(f"🚀 TRIAGEM PULADA: movendo todos os arquivos direto para base-oficial ({ambiente})")
-            if 'Contents' in objs:
-                for obj in objs['Contents']:
-                    k = obj['Key']
-                    if k.endswith(('.jpg', '.jpeg', '.png', '.txt')):
-                        new_k = k.replace("novos-treinamentos", "base-oficial")
-                        s3.copy_object(Bucket=BUCKET, CopySource={'Bucket': BUCKET, 'Key': k}, Key=new_k)
-                        s3.delete_object(Bucket=BUCKET, Key=k)
-                        log_print(f"✅ {os.path.basename(k)} -> base-oficial")
-        else:
-            log_print(f"🚀 INICIANDO TRIAGEM INTELIGENTE: {ambiente}")
 
-            if 'Contents' in objs:
+@app.get("/treinar/status")
-                for obj in objs['Contents']:
+async def status_treino():
-                    if obj['Key'].endswith(('.jpg', '.jpeg', '.png')):
+    with _status_lock:
-                        img_key = obj['Key']
+        return dict(_treinamento_status)
-                        txt_key = img_key.rsplit('.', 1)[0] + ".txt"
 
-                        resp_img = s3.get_object(Bucket=BUCKET, Key=img_key)
-                        img_data = Image.open(io.BytesIO(resp_img['Body'].read()))
-                        pred = modelo_base(img_data, conf=0.1, verbose=False)
-
-                        confs = [float(b.conf) for r in pred for b in r.boxes]
-                        media = sum(confs)/len(confs) if confs else 0
-
-                        # RÉGUA AJUSTADA PARA 0.30 PARA ACEITAR MAIS IMAGENS
-                        decisao = "base-oficial" if media >= 0.30 or media == 0 else "descartados"
-                        log_print(f"⚖️ {os.path.basename(img_key)}: Conf. {media:.2f} -> {decisao}")
-
-                        for k in [img_key, txt_key]:
-                            try:
-                                s3.head_object(Bucket=BUCKET, Key=k)
-                                new_k = k.replace("novos-treinamentos", decisao)
-                                s3.copy_object(Bucket=BUCKET, CopySource={'Bucket': BUCKET, 'Key': k}, Key=new_k)
-                                s3.delete_object(Bucket=BUCKET, Key=k)
-                            except: continue
-
-        dataset_local = f"/tmp/dataset_{ambiente}"
-        img_dir, lbl_dir = f"{dataset_local}/train/images", f"{dataset_local}/train/labels"
-        if os.path.exists(dataset_local): shutil.rmtree(dataset_local)
-        os.makedirs(img_dir, exist_ok=True); os.makedirs(lbl_dir, exist_ok=True)
-
-        log_print("📥 Baixando Base Oficial (Ouro)...")
-        ouro = s3.list_objects_v2(Bucket=BUCKET, Prefix=f"treinamento/{ambiente}/base-oficial/")
-        if 'Contents' in ouro:
-            for o in ouro['Contents']:
-                k = o['Key']
-                if k.endswith(('.jpg', '.jpeg', '.txt')):
-                    dest = img_dir if not k.endswith('.txt') else lbl_dir
-                    caminho_local = os.path.join(dest, os.path.basename(k))
-                    s3.download_file(BUCKET, k, caminho_local)
-                    if not k.endswith('.txt'):
-                        redimensionar_imagem(caminho_local)
-        
-        if len(os.listdir(img_dir)) > 0:
-            yaml_path = f"{dataset_local}/data.yaml"
-            with open(yaml_path, 'w') as f:
-                yaml.dump({'train': img_dir, 'val': img_dir, 'nc': 1, 'names': {0: ambiente}}, f)
-            
-            log_print(f"🏋️ Treinando com {len(os.listdir(img_dir))} fotos. Foco no mAP50...")
-            # O YOLO imprimirá o mAP automaticamente no log do Docker aqui:
-            modelo_base.train(data=yaml_path, epochs=30, imgsz=640, batch=16, device='cpu', plots=True)
-
-            best = "runs/detect/train/weights/best.pt"
-            if os.path.exists(best):
-                carimbo = datetime.now().strftime("%Y%m%d_%H%M")
-                s3.upload_file(best, BUCKET, f"modelos/{ambiente}/atual/cerebro.pt")
-                s3.upload_file(best, BUCKET, f"modelos/{ambiente}/versionamento/cerebro_{carimbo}.pt")
-                if ambiente in MODELOS_CARREGADOS: del MODELOS_CARREGADOS[ambiente]
-                log_print("✅ TREINAMENTO CONCLUÍDO!")
-                return {"status": "sucesso", "versao": carimbo}
-        else:
-            log_print("⚠️ Nenhuma imagem passou na triagem para a Base Oficial.")
-            return {"status": "vazio"}
-            
-    except Exception as e:
-        log_print(f"💥 Erro: {str(e)}")
-        return {"status": "erro", "detalhe": str(e)}
 
 if __name__ == "__main__":
     import uvicorn