import os
from dataclasses import dataclass


# =========================
# 项目根目录
# =========================
# 例如：
# 宿主机：
# /data2/zhangw_data/Bird_detect_cascade_service
#
# Docker：
# /Bird_detect_cascade_service
#
# 会自动适配，不需要写死绝对路径
# =========================
BASE_DIR = os.path.abspath(os.path.join(os.path.dirname(__file__), ".."))

MODELS_DIR = os.path.join(BASE_DIR, "models")
RUNS_DIR = os.path.join(BASE_DIR, "runs")


def _get_str(name: str, default: str) -> str:
    return os.getenv(name, default)


def _get_int(name: str, default: int) -> int:
    value = os.getenv(name)
    if value is None or value == "":
        return default
    return int(value)


def _get_float(name: str, default: float) -> float:
    value = os.getenv(name)
    if value is None or value == "":
        return default
    return float(value)


def _get_bool(name: str, default: bool) -> bool:
    value = os.getenv(name)
    if value is None or value == "":
        return default
    return value.lower() in ["1", "true", "yes", "y"]


def _get_int_list(name: str, default: str) -> list[int]:
    value = os.getenv(name, default)

    if value is None or value.strip() == "":
        return []

    return [
        int(x.strip())
        for x in value.split(",")
        if x.strip() != ""
    ]


@dataclass(frozen=True)
class Settings:

    # =========================
    # 模型开关
    # =========================
    enable_detection: bool = _get_bool(
        "ENABLE_DETECTION",
        True,
    )

    enable_classification: bool = _get_bool(
        "ENABLE_CLASSIFICATION",
        True,
    )

    # =========================
    # YOLOv5 模型
    # =========================
    det_model_path: str = _get_str(
        "DET_MODEL_PATH",
        os.path.join(
            MODELS_DIR,
            "YNDC_20251010_yolov5_optimize.onnx",
        ),
    )

    det_classes_path: str = _get_str(
        "DET_CLASSES_PATH",
        os.path.join(
            MODELS_DIR,
            "YNDC_20251010_yolov5_optimize.txt",
        ),
    )

    # =========================
    # ConvNeXt 分类模型
    # =========================
    cls_model_path: str = _get_str(
        "CLS_MODEL_PATH",
        os.path.join(
            MODELS_DIR,
            "JXPYH_20260204_mmcls_optimize.onnx",
        ),
    )

    cls_classes_path: str = _get_str(
        "CLS_CLASSES_PATH",
        os.path.join(
            MODELS_DIR,
            "JXPYH_20260204_mmcls_optimize.txt",
        ),
    )

    # =========================
    # 密度估计模型
    # =========================
    enable_density: bool = _get_bool(
        "ENABLE_DENSITY",
        True,
    )

    density_model_path: str = _get_str(
        "DENSITY_MODEL_PATH",
        os.path.join(
            MODELS_DIR,
            "bird_density.onnx",
        ),
    )

    # 如果模型输入固定，例如 400×400
    # 可以设置 DENSITY_IMG_SIZE=400
    # 默认 0 表示自动读取 ONNX 输入尺寸
    density_img_size: int = _get_int(
        "DENSITY_IMG_SIZE",
        0,
    )

    # =========================
    # 输入尺寸
    # =========================
    det_img_size: int = _get_int(
        "DET_IMG_SIZE",
        640,
    )

    cls_img_size: int = _get_int(
        "CLS_IMG_SIZE",
        224,
    )

    # =========================
    # YOLO 阈值
    # =========================
    det_conf_thres: float = _get_float(
        "DET_CONF_THRES",
        0.25,
    )

    det_iou_thres: float = _get_float(
        "DET_IOU_THRES",
        0.45,
    )

    # 二次过滤 YOLO 检测框，避免把明显错误的框传给 ConvNeXt
    det_second_conf_thres: float = _get_float(
        "DET_SECOND_CONF_THRES",
        0.35,
    )

    # 最小框面积占整图比例，太小的噪声框过滤
    min_box_area_ratio: float = _get_float(
        "MIN_BOX_AREA_RATIO",
        0.00002,
    )

    # 最大框面积占整图比例，太大的误检框过滤
    max_box_area_ratio: float = _get_float(
        "MAX_BOX_AREA_RATIO",
        1.0,
    )

    # 最大长宽比，过细过长的框过滤
    max_box_aspect_ratio: float = _get_float(
        "MAX_BOX_ASPECT_RATIO",
        6.0,
    )

    # 可选检测区域：按检测框中心点的纵向位置过滤。
    # 默认 0~1 表示整幅画面；可排除固定字幕、时间戳或岸边噪声区域。
    detection_roi_y_min_ratio: float = _get_float(
        "DETECTION_ROI_Y_MIN_RATIO",
        0.0,
    )

    detection_roi_y_max_ratio: float = _get_float(
        "DETECTION_ROI_Y_MAX_RATIO",
        1.0,
    )

    # 分类置信度低于该值时，不显示物种名称
    cls_show_conf_thres: float = _get_float(
        "CLS_SHOW_CONF_THRES",
        0.50,
    )

    # 大目标判断阈值：框面积占整图比例超过该值，认为是近景大目标
    large_box_area_ratio: float = _get_float(
        "LARGE_BOX_AREA_RATIO",
        0.002,
    )

    # 大目标分类显示阈值，近景大目标即使分类置信度稍低，也显示物种名
    large_box_cls_show_conf_thres: float = _get_float(
        "LARGE_BOX_CLS_SHOW_CONF_THRES",
        0.25,
    )

    # 数量达到该阈值时，认为是密集场景，不显示物种名
    dense_scene_count_thres: int = _get_int(
        "DENSE_SCENE_COUNT_THRES",
        20,
    )

    # 大目标强制显示物种名，只要分类结果非空即可
    show_large_box_name_always: bool = _get_bool(
        "SHOW_LARGE_BOX_NAME_ALWAYS",
        True,
    )

    # 是否在密集场景隐藏所有物种名
    hide_cls_name_in_dense_scene: bool = _get_bool(
        "HIDE_CLS_NAME_IN_DENSE_SCENE",
        True,
    )

    # 所有物种是否统一使用同一种标签和检测框颜色
    uniform_species_color: bool = _get_bool(
        "UNIFORM_SPECIES_COLOR",
        False,
    )

    # 可选：整段素材已人工确认只有一个物种时，覆盖细粒度模型标签。
    # 留空表示使用模型输出。
    forced_species_name: str = _get_str(
        "FORCED_SPECIES_NAME",
        "",
    ).strip()

    forced_species_class_id: int = _get_int(
        "FORCED_SPECIES_CLASS_ID",
        -1,
    )

    # 只对达到该框面积占比的目标应用人工物种覆盖。
    # 可用来统一主要大型鸟类，同时保留画面中的小型伴生鸟类。
    forced_species_min_box_area_ratio: float = _get_float(
        "FORCED_SPECIES_MIN_BOX_AREA_RATIO",
        0.0,
    )

    # 视频级人工复核映射，格式示例：
    # 东方白鹳=白鹤,白鹭=白鹤
    species_name_remap: str = _get_str(
        "SPECIES_NAME_REMAP",
        "",
    ).strip()

    # 只有原始细粒度分类置信度达到该阈值时才应用标签映射。
    # 默认 0 保持原有行为；混合物种场景可提高该值以避免低置信度误映射。
    species_name_remap_min_confidence: float = _get_float(
        "SPECIES_NAME_REMAP_MIN_CONFIDENCE",
        0.0,
    )

    # 留空表示允许全部；非空时，只有白名单中的物种显示名称和物种色。
    allowed_species_names: str = _get_str(
        "ALLOWED_SPECIES_NAMES",
        "",
    ).strip()

    # 可选双物种明暗规则。两个名称都非空时，不运行细粒度分类模型，
    # 而是根据检测框内暗色像素比例区分两个外观差异明显的物种。
    binary_dark_species_name: str = _get_str(
        "BINARY_DARK_SPECIES_NAME",
        "",
    ).strip()

    binary_light_species_name: str = _get_str(
        "BINARY_LIGHT_SPECIES_NAME",
        "",
    ).strip()

    binary_dark_pixel_threshold: int = _get_int(
        "BINARY_DARK_PIXEL_THRESHOLD",
        85,
    )

    binary_dark_ratio_threshold: float = _get_float(
        "BINARY_DARK_RATIO_THRESHOLD",
        0.12,
    )

    # 可选：对画面中的深色目标做人工标签覆盖。
    # 适合模型把黑色雁鸭类误判成白骨顶等细粒度类别的场景。
    dark_override_species_name: str = _get_str(
        "DARK_OVERRIDE_SPECIES_NAME",
        "",
    ).strip()

    dark_override_species_class_id: int = _get_int(
        "DARK_OVERRIDE_SPECIES_CLASS_ID",
        -1,
    )

    dark_override_pixel_threshold: int = _get_int(
        "DARK_OVERRIDE_PIXEL_THRESHOLD",
        80,
    )

    dark_override_ratio_threshold: float = _get_float(
        "DARK_OVERRIDE_RATIO_THRESHOLD",
        0.35,
    )

    dark_override_min_box_area_ratio: float = _get_float(
        "DARK_OVERRIDE_MIN_BOX_AREA_RATIO",
        0.0,
    )

    dark_override_max_box_area_ratio: float = _get_float(
        "DARK_OVERRIDE_MAX_BOX_AREA_RATIO",
        1.0,
    )

    dark_override_roi_y_min_ratio: float = _get_float(
        "DARK_OVERRIDE_ROI_Y_MIN_RATIO",
        0.0,
    )

    dark_override_roi_y_max_ratio: float = _get_float(
        "DARK_OVERRIDE_ROI_Y_MAX_RATIO",
        1.0,
    )

    # 可选：按画面纵向区域做人工标签覆盖。
    # 用于同一视频中上/中/下区域物种分布稳定的场景。
    region_override_species_name: str = _get_str(
        "REGION_OVERRIDE_SPECIES_NAME",
        "",
    ).strip()

    region_override_species_class_id: int = _get_int(
        "REGION_OVERRIDE_SPECIES_CLASS_ID",
        -1,
    )

    region_override_source_species_names: str = _get_str(
        "REGION_OVERRIDE_SOURCE_SPECIES_NAMES",
        "",
    ).strip()

    region_override_roi_y_min_ratio: float = _get_float(
        "REGION_OVERRIDE_ROI_Y_MIN_RATIO",
        0.0,
    )

    region_override_roi_y_max_ratio: float = _get_float(
        "REGION_OVERRIDE_ROI_Y_MAX_RATIO",
        1.0,
    )

    # 可选：鹤类混淆纠正。针对白鹤/白头鹤/白枕鹤相互误判，
    # 根据检测框内亮白像素和暗色像素比例做保守二次校验。
    enable_crane_appearance_correction: bool = _get_bool(
        "ENABLE_CRANE_APPEARANCE_CORRECTION",
        False,
    )

    crane_white_ratio_threshold: float = _get_float(
        "CRANE_WHITE_RATIO_THRESHOLD",
        0.30,
    )

    crane_dark_ratio_threshold: float = _get_float(
        "CRANE_DARK_RATIO_THRESHOLD",
        0.28,
    )

    crane_tail_white_ratio_threshold: float = _get_float(
        "CRANE_TAIL_WHITE_RATIO_THRESHOLD",
        0.16,
    )

    crane_uncertain_hide_label: bool = _get_bool(
        "CRANE_UNCERTAIN_HIDE_LABEL",
        True,
    )

    # =========================
    # 裁剪外扩比例
    # =========================
    crop_padding_ratio: float = _get_float(
        "CROP_PADDING_RATIO",
        0.08,
    )

    # =========================
    # 最多检测目标数
    # =========================
    max_detections: int = _get_int(
        "MAX_DETECTIONS",
        50,
    )

    # =========================
    # 推理设备
    # cpu / cuda
    # =========================
    device: str = _get_str(
        "DEVICE",
        "cpu",
    )

    # =========================
    # 输出目录
    # =========================
    output_dir: str = _get_str(
        "OUTPUT_DIR",
        RUNS_DIR,
    )

    image_output_subdir: str = _get_str(
        "IMAGE_OUTPUT_SUBDIR",
        "images",
    )

    video_output_subdir: str = _get_str(
        "VIDEO_OUTPUT_SUBDIR",
        "video",
    )

    # =========================
    # 视频抽帧间隔
    # =========================
    video_sample_interval: int = _get_int(
        "VIDEO_SAMPLE_INTERVAL",
        2,
    )

    # =========================
    # 是否保存画框视频
    # =========================
    save_annotated_video: bool = _get_bool(
        "SAVE_ANNOTATED_VIDEO",
        True,
    )

    # =========================
    # 只保留 YOLO 类别
    # 默认只保留 bird
    # =========================
    target_det_class_ids: list[int] = None

    # =========================
    # 视频框平滑
    # =========================
    smooth_video_boxes: bool = _get_bool(
        "SMOOTH_VIDEO_BOXES",
        True,
    )

    smooth_hold_frames: int = _get_int(
        "SMOOTH_HOLD_FRAMES",
        3,
    )

    box_smooth_alpha: float = _get_float(
        "BOX_SMOOTH_ALPHA",
        0.25,
    )

    def __post_init__(self):
        object.__setattr__(
            self,
            "target_det_class_ids",
            _get_int_list(
                "TARGET_DET_CLASS_IDS",
                "0",
            ),
        )


settings = Settings()