API do oceny autentyczności antyków z portali aukcyjnych. Model wykorzystuje multimodalne uczenie maszynowe (obraz + tekst) do klasyfikacji ofert jako oryginalne, repliki lub oszustwa.

• Weryfikacja URL – analiza ofert z Allegro, OLX i eBay na podstawie linku
• Klasyfikacja autentyczności – ORIGINAL, SCAM, REPLICA
• Klasyfikacja kategorii – np. zegary, meble, numizmatyka, szable, zastawa stołowa
• Detekcja niepewności – zwraca UNCERTAIN gdy model ma niskie zaufanie do predykcji

• Vision: EfficientNet-B0 (ekstrakcja cech z obrazu)
• Text: DistilBERT (język wielojęzyczny, obsługa polskiego)
• Fuzja: połączone cechy → wspólny encoder → dwie głowy (autentyczność + kategoria)

• Python 3.10+
• CUDA (opcjonalnie, dla szybszego treningu)

# Klonowanie repozytorium
git clone <repo_url>
cd antique-auth-api

# Tworzenie środowiska wirtualnego (zalecane)
python -m venv venv
venv\Scripts\activate   # Windows

# Instalacja zależności
pip install -r requirements.txt

# Z głównego katalogu projektu
python app.py

API startuje na http://localhost:7860.

Parametry (form-data):

• url (string) – link do oferty na Allegro, OLX lub eBay
• max_images (int, opcjonalnie) – max. liczba zdjęć do analizy (1–10, domyślnie 3)

Przykład (curl):

curl -X POST "http://localhost:7860/validate_url" \
  -F "url=https://allegro.pl/oferta/..." \
  -F "max_images=5"

Przykładowa odpowiedź:

{
  "status": "success",
  "evaluation": {
    "title": "Antyczna srebrna łyżka XIX w.",
    "evaluation_status": "ORIGINAL",
    "confidence": 0.87,
    "category": "Tableware"
  }
}

antique-auth-api/
├── app.py              # Entry point (Hugging Face Spaces / uvicorn)
├── code/
│   ├── app.py          # FastAPI – główna logika API
│   ├── config.py       # Konfiguracja (klasy, kategorie, progi)
│   ├── model.py        # AuctionAuthenticityModel
│   ├── train.py        # Skrypt treningu
│   ├── dataset_loader.py
│   ├── web_scraper_allegro.py
│   ├── web_scraper_olx.py
│   ├── web_scraper_ebay.py
│   └── labeling_app/   # Narzędzie do etykietowania danych
├── weights/
│   ├── auction_model.pt      # Wagi modelu
│   └── training_history.json
├── requirements.txt
└── Dockerfile

1. Przygotuj dataset w formacie JSON (dataset/dataset.json) z polami m.in.: title, description, images, folder_path, label, platform.

2. Uruchom trening:

cd code
python train.py

Model zostanie zapisany w weights/auction_model.pt.

Aplikacja Flask do ręcznego etykietowania aukcji (autentyczność + kategoria):

cd code/labeling_app
python labeling_app.py

Plik code/config.py pozwala m.in.:

• Zmieniać klasy autentyczności (ORIGINAL, SCAM, REPLICA)
• Rozszerzać kategorie (Clocks, Furniture, Numismatics, Sabers, Tableware)
• Ustawiać progi niepewności (UNCERTAINTY_CONFIDENCE_THRESHOLD, UNCERTAINTY_MARGIN_THRESHOLD)

docker build -t antique-auth-api .
docker run -p 7860:7860 antique-auth-api

Projekt tworzony na potrzeby zajęć zespołowych.