Spaces:
Paused
Paused
File size: 2,725 Bytes
3368ed5 db4728b bd0b817 db4728b bd0b817 db4728b 064c541 bd0b817 db4728b 064c541 db4728b 77b4694 3368ed5 77b4694 db4728b 064c541 db4728b 064c541 db4728b 064c541 db4728b 77b4694 db4728b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 | import os
import mlflow
import mlflow.pyfunc
import pandas as pd
import uvicorn
from pydantic import BaseModel
from typing import Literal, List, Union
from fastapi import FastAPI
from fastapi.encoders import jsonable_encoder
from fastapi.responses import RedirectResponse
description = """
Estimation du prix de location journalier d'une voiture à partir de ses caractéristiques.
Utilisez l'endpoint **`POST /predict`** en transmettant les attributs du véhicule pour obtenir un prix suggéré en euros par jour.
"""
tags_metadata = [
{
"name": "Prédictions",
"description": "Estimation du prix de location journalier."
}
]
app = FastAPI(
title="GetAround — Prédiction du prix de location",
description=description,
version="1.0",
openapi_tags=tags_metadata
)
class Car(BaseModel):
model_key: Literal['Citroën', 'Peugeot', 'PGO', 'Renault', 'Audi', 'BMW', 'Mercedes',
'Opel', 'Volkswagen', 'Ferrari', 'Mitsubishi', 'Nissan', 'SEAT',
'Subaru', 'Toyota', 'other']
mileage: Union[int, float]
engine_power: Union[int, float]
fuel: Literal['diesel', 'petrol', 'other']
paint_color: Literal['black', 'grey', 'white', 'red', 'silver', 'blue', 'beige', 'brown', 'other']
car_type: Literal['convertible', 'coupe', 'estate', 'hatchback', 'sedan', 'subcompact', 'suv', 'van']
private_parking_available: bool
has_gps: bool
has_air_conditioning: bool
automatic_car: bool
has_getaround_connect: bool
has_speed_regulator: bool
winter_tires: bool
MLFLOW_TRACKING_URI = os.getenv("MLFLOW_TRACKING_URI", "https://atomik31-mlflow.hf.space").strip()
mlflow.set_tracking_uri(MLFLOW_TRACKING_URI)
_model = None
def get_model():
global _model
if _model is None:
print(f"Chargement du modèle depuis MLflow : {MLFLOW_TRACKING_URI}")
_model = mlflow.pyfunc.load_model("models:/GetAround_price_predictor@production")
print("Modèle chargé en mémoire.")
return _model
@app.get("/", include_in_schema=False)
async def docs_redirect():
return RedirectResponse(url='/docs')
@app.post("/predict", tags=["Prédictions"])
async def predict(cars: List[Car]):
"""
Retourne le prix de location journalier estimé pour une ou plusieurs voitures.
**Entrée** : liste de voitures avec leurs caractéristiques (voir schéma ci-dessous)
**Sortie** : `{"prediction": [prix_en_euros, ...]}`
"""
car_features = pd.DataFrame(jsonable_encoder(cars))
prediction = get_model().predict(car_features)
return {"prediction": prediction.tolist()}
if __name__ == "__main__":
uvicorn.run("api:app", host="0.0.0.0", port=8000, reload=True)
|