Forcer le CPU sur les chemins non decores @spaces.GPU

Sur du materiel ZeroGPU, torch.cuda.is_available() repond True meme en
dehors d'un decorateur @spaces.GPU (mode emulation, pour que .to('cuda')
au chargement des modules ne plante pas), mais aucun GPU reel n'est
alloue hors de ce decorateur. train_mlp plantait donc en production avec
"Low-level CUDA init reached" des que get_runtime_device() detectait
"cuda" a tort.

Meme risque sur tous les autres chemins non decores : evaluate_callback,
predict_callback, random_test_callback, extract_features_callback. Ces
cinq chemins forcent maintenant explicitement torch.device("cpu") au
lieu de faire confiance a la detection automatique. train_cnn (seul
chemin reellement decore @spaces.GPU) garde get_runtime_device().

backbone_utils.py

@@ -37,7 +37,10 @@ def extract_all_features(batch_size: int = 64):
 
     from data_utils import prepare_splits, get_class_names, HFDatasetWrapper, get_eval_transform
 
-    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    # extract_features_callback n'est pas décoré @spaces.GPU : forcer le CPU.
+    # Sur du matériel ZeroGPU, torch.cuda.is_available() répond True même
+    # hors décorateur (mode émulation), mais aucun GPU réel n'est alloué ici.
+    device = torch.device("cpu")
     backbone = load_backbone(device)
     backbone.eval()
 

predict_utils.py

@@ -6,7 +6,7 @@ from PIL import Image
 
 from config import CLASSICAL_MODEL_TYPES
 from data_utils import get_eval_transform, prepare_splits, get_class_names
-from train_utils import load_model, get_runtime_device, _load_meta
+from train_utils import load_model, _load_meta
 
 
 def _extract_feature(image: Image.Image, device: torch.device) -> np.ndarray:
@@ -28,7 +28,9 @@ def predict_uploaded_image(model_name: str, image: Image.Image, session_id: str)
     meta = _load_meta(model_name, session_id)
     model_type = meta["config"].get("model_type", "cnn")
     class_names = meta["config"]["class_names"]
-    device = get_runtime_device()
+    # predict_callback n'est pas décoré @spaces.GPU : forcer le CPU (voir
+    # le commentaire dans train_mlp, train_utils.py).
+    device = torch.device("cpu")
 
     if model_type in CLASSICAL_MODEL_TYPES:
         from classical_ml_utils import load_classical_pipeline
@@ -62,7 +64,9 @@ def test_random_sample(model_name: str, session_id: str):
     meta = _load_meta(model_name, session_id)
     model_type = meta["config"].get("model_type", "cnn")
     class_names = get_class_names()
-    device = get_runtime_device()
+    # random_test_callback n'est pas décoré @spaces.GPU : forcer le CPU (voir
+    # le commentaire dans train_mlp, train_utils.py).
+    device = torch.device("cpu")
 
     splits = prepare_splits()
     test_dataset = splits["test"]

train_utils.py

@@ -451,7 +451,12 @@ def train_mlp(
     epochs: int = 30,
     model_tag: str = "",
 ):
-    device = get_runtime_device()
+    # Pas de @spaces.GPU sur ce chemin (voir train_cnn_callback) : sur du
+    # matériel ZeroGPU, torch.cuda.is_available() répond True même hors
+    # décorateur (mode émulation), mais aucun GPU réel n'est alloué ici —
+    # utiliser get_runtime_device() planterait avec "Low-level CUDA init
+    # reached". On force donc le CPU explicitement.
+    device = torch.device("cpu")
     train_loader, val_loader, test_loader, class_names = make_loaders(batch_size)
     num_classes = len(class_names)
     input_size = 3 * IMAGE_SIZE * IMAGE_SIZE
@@ -568,7 +573,9 @@ def evaluate_saved_model(model_name: str, session_id: str):
 
 
 def _evaluate_neural(model_name: str, meta: dict, session_id: str):
-    device = get_runtime_device()
+    # evaluate_callback n'est pas décoré @spaces.GPU : forcer le CPU (voir
+    # le commentaire dans train_mlp).
+    device = torch.device("cpu")
     model, meta = load_model(model_name, device, session_id)
 
     batch_size = int(meta["config"].get("batch_size", 16))