microdetect 1.5.0

Backend Python para detecção de microorganismos

MicroDetect Backend

Backend Python para a aplicação MicroDetect, responsável por gerenciar datasets, modelos e inferências.

Estrutura do Projeto

python_backend/
├── app/                    # Código da aplicação
│   ├── api/               # Endpoints da API
│   ├── core/              # Configurações e utilitários
│   ├── database/          # Modelos e conexão com banco
│   ├── models/            # Modelos ML
│   ├── schemas/           # Esquemas Pydantic
│   ├── services/          # Serviços
│   └── utils/             # Utilitários
├── data/                  # Diretório para dados
│   ├── datasets/          # Datasets
│   ├── models/            # Modelos treinados
│   ├── gallery/           # Imagens capturadas
│   └── temp/              # Arquivos temporários
├── tests/                 # Testes
├── requirements.txt       # Dependências
└── start_backend.py       # Script de inicialização

Requisitos

• Python 3.8+
• pip (gerenciador de pacotes Python)

Instalação

1. Clone o repositório
2. Navegue até o diretório do backend:

   cd python_backend
   

3. Instale as dependências:

   pip install -r requirements.txt
   

Uso

Para iniciar o servidor:

python start_backend.py

O servidor estará disponível em http://localhost:8000

API Endpoints

Datasets

• POST /api/v1/datasets/ - Criar novo dataset
• GET /api/v1/datasets/ - Listar datasets
• GET /api/v1/datasets/{id} - Obter dataset específico

Imagens

• POST /api/v1/images/ - Upload de imagem
• GET /api/v1/images/ - Listar imagens
• GET /api/v1/images/{id} - Obter imagem específica

Anotações

• POST /api/v1/annotations/ - Criar anotação
• GET /api/v1/annotations/ - Listar anotações
• GET /api/v1/annotations/{id} - Obter anotação específica

Treinamento

• POST /api/v1/training/ - Iniciar sessão de treinamento
• GET /api/v1/training/ - Listar sessões de treinamento
• GET /api/v1/training/{id} - Obter sessão específica

Modelos

• POST /api/v1/models/ - Criar novo modelo
• GET /api/v1/models/ - Listar modelos
• GET /api/v1/models/{id} - Obter modelo específico

Inferência

• POST /api/v1/inference/ - Realizar inferência
• GET /api/v1/inference/ - Listar resultados de inferência
• GET /api/v1/inference/{id} - Obter resultado específico

Documentação da API

A documentação interativa da API está disponível em:

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

Integração com Flutter

O backend é iniciado automaticamente quando a aplicação Flutter é executada. O script start_backend.py é responsável por:

1. Instalar dependências necessárias
2. Iniciar o servidor FastAPI
3. Gerenciar o ciclo de vida do servidor

Desenvolvimento

Para desenvolvimento local:

1. Crie um ambiente virtual:

   python -m venv venv
   source venv/bin/activate  # Linux/macOS
   venv\Scripts\activate     # Windows
   

2. Instale as dependências:

   pip install -r requirements.txt
   

3. Execute o servidor em modo de desenvolvimento:

   python start_backend.py
   

Testes

Para executar os testes:

pytest

Contribuição

1. Fork o repositório
2. Crie uma branch para sua feature (git checkout -b feature/AmazingFeature)
3. Commit suas mudanças (git commit -m 'Add some AmazingFeature')
4. Push para a branch (git push origin feature/AmazingFeature)
5. Abra um Pull Request

Migrações de Banco de Dados

Este projeto utiliza o Alembic para gerenciar migrações de banco de dados. As migrações são executadas automaticamente durante a inicialização da API, garantindo que o esquema do banco de dados esteja sempre atualizado.

Como Funcionam as Migrações

1. Quando a API inicia, ela executa automaticamente alembic upgrade head para aplicar todas as migrações pendentes.
2. Se ocorrer algum erro durante as migrações, a API tenta criar as tabelas diretamente usando SQLAlchemy como fallback.

Criando Novas Migrações

Quando você fizer alterações nos modelos de dados (como adicionar/remover colunas, criar novas tabelas, etc.), você precisa criar uma nova migração. Use o script utilitário:

# No diretório raiz do projeto
python scripts/create_migration.py "Descrição da sua migração"

O script irá:

1. Gerar um arquivo de migração na pasta alembic/versions/
2. O arquivo conterá as alterações detectadas nos seus modelos

Aplicando Migrações Manualmente

Normalmente as migrações são aplicadas automaticamente quando a API inicia, mas você pode aplicá-las manualmente:

# No diretório raiz do projeto
python scripts/apply_migrations.py

Ou diretamente com o Alembic:

# No diretório raiz do projeto
python -m alembic upgrade head

Outras Operações com Alembic

• Verificar migrações pendentes:

  python -m alembic current
  

• Voltar para uma migração específica:

  python -m alembic downgrade <migration_id>
  

• Gerar uma migração (mesmo que não haja mudanças):

  python -m alembic revision -m "Descrição da migração"
  

Como substituir o Pydantic

Este projeto foi adaptado para usar classes Python regulares em vez do Pydantic. Principais alterações:

1. Criada uma classe base BaseSchema em microdetect/schemas/base.py que fornece funcionalidades de:

   • Inicialização via __init__
   • Serialização para dicionário via método dict()
   • Conversão de objetos ORM para schemas via método from_orm()

2. Classes de esquema implementadas como classes regulares do Python que herdam de BaseSchema

3. Utilitários de serialização em microdetect/utils/serializers.py para:

   • Converter objetos Python para JSON
   • Construir respostas da API padronizadas

4. Os endpoints da API foram atualizados para usar os serializadores personalizados

Vantagens desta abordagem:

• Sem dependências externas para validação/serialização
• Maior controle sobre o comportamento de serialização
• Classes mais simples e explícitas
• Maior flexibilidade na manipulação dos dados

Exemplo de uso:

# Criar um objeto a partir de dados
model = SimpleModelResponse(
    id=1,
    name="Modelo de teste",
    description="Um modelo para teste"
)

# Converter para dicionário
model_dict = model.dict()

# Criar a partir de um objeto ORM
from_db = SimpleModelResponse.from_orm(db_model)

# Construir resposta da API
from microdetect.utils.serializers import build_response
response = build_response(model)