# IA Gôndola Engine

Serviço isolado de detecção YOLO e treinamento. Consumido exclusivamente pela `ia-gondola-api` via `IA_MOTOR_URL`.

## Arquitetura

```
ia-gondola-api  →  POST /detectar  →  YOLO  →  [{box, conf, class}]
                →  POST /treinar   →  triagem + treino → modelo atualizado no S3
```

## Estrutura

```
main.py          — todo o código (sem sub-módulos)
Dockerfile
requirements.txt
```

## Endpoints

### `POST /detectar`

Form-data: `ambiente` (str), `file` (imagem). Confidence threshold: 0.25, NMS `iou=0.5`.
`ia-gondola-api` também manda um campo `conf` no form (ver `gondola_service.py`), mas esse endpoint
não declara/lê esse campo — é ignorado, o threshold usado é sempre o 0.25 hardcoded aqui.

Depois do NMS do próprio YOLO, passa por `_suprimir_boxes_contidas()`: remove boxes da mesma classe
quase totalmente contidas em outra (caixa grande "engolindo" uma caixa menor do mesmo produto —
comum em prateleira lotada). IoU sozinho não resolve isso: quando uma caixa é muito maior que a
outra, a união fica dominada pela caixa grande e o IoU continua baixo mesmo com contenção quase
total (ex.: caixa pequena 1/5 da área da grande, 100% contida → IoU ≈ 0.2, seguiria sobrevivendo
mesmo com iou threshold bem mais agressivo que o do NMS padrão). A métrica usada aqui é
intersecção / área da MENOR caixa do par, limiar 0.90 — entre duas boxes da mesma classe acima
desse limiar, fica só a de maior confiança.

```json
{ "status": "sucesso", "deteccoes": [{ "box": [x1,y1,x2,y2], "conf": 0.87, "class": 0 }] }
```

### `POST /treinar`

Body JSON: `{ "ambiente": "gondola", "pular_triagem": false }`

1. Lista `treinamento/{ambiente}/novos-treinamentos/` no S3
2. Triagem (salvo `pular_triagem: true`): conf média ≥ 0.15 → `base-oficial`, < 0.15 → `descartados`
3. Baixa `base-oficial`, redimensiona imagens > 4096px
4. Treina: 20 épocas fine-tuning / 30 épocas do zero, imgsz=640, batch=8, device=cpu
5. Salva `best.pt` em `modelos/{ambiente}/atual/cerebro.pt` + histórico versionado

Retorna `{ "status": "iniciado", "ambiente": "..." }` imediatamente — treino roda em background thread.
Quando não há modelo base, usa `yolov8n.pt` e pula triagem automaticamente.

### `GET /treinar/status`

Retorna estado do treino em andamento + últimas 30 linhas de log.

```json
{ "status": "running|concluido|erro|vazio|idle", "ambiente": "gondola", "versao": "20260627_1430", "detalhe": null, "logs": ["[1/20] box=0.432 ..."] }
```

`logs` inclui tanto as métricas por época (`_on_fit_epoch_end` callback do YOLO) quanto mensagens de progresso de triagem/download via `log_print()`.

## Organização S3

```
modelos/{ambiente}/atual/cerebro.pt
modelos/{ambiente}/versionamento/cerebro_YYYYMMDD_HHMM.pt
treinamento/{ambiente}/novos-treinamentos/
treinamento/{ambiente}/base-oficial/
treinamento/{ambiente}/descartados/
```

## Convenções

- `MODELOS_CARREGADOS` = dict em memória `{ambiente: YOLO}` — cache local em `/tmp/cerebro_{ambiente}.pt`
- Se S3 tiver versão mais nova (LastModified), descarta cache e baixa novamente
- Após treino, remove o ambiente de `MODELOS_CARREGADOS` para forçar reload
- Todo o código em `main.py` — não criar sub-módulos
- `log_print(msg)` escreve no stdout **e** em `_training_logs` (buffer circular 60 linhas) — não usar `print()` diretamente

## Como rodar

```bash
pip install -r requirements.txt
uvicorn main:app --reload --port 8001
```