Geniusia_v2/archive/old_tests/test_ui_change_detector.py

"""
Test simple pour le UIChangeDetector
"""

import sys
import numpy as np
from datetime import datetime

# Ajouter le chemin du module
sys.path.insert(0, 'geniusia2')

from core.ui_change_detector import UIChangeDetector
from core.embeddings_manager import EmbeddingsManager
from core.logger import Logger
from core.config import CONFIG


def test_ui_change_detector():
    """Test basique du UIChangeDetector"""
    print("=" * 60)
    print("Test du UIChangeDetector")
    print("=" * 60)
    
    # Initialiser les dépendances
    print("\n1. Initialisation des composants...")
    logger = Logger(log_dir="data/logs", encryption_key=None)
    
    # Créer un EmbeddingsManager mock (sans modèle réel)
    class MockEmbeddingsManager:
        def get_embedding_similarity(self, emb1, emb2):
            """Calcule la similarité cosinus"""
            emb1_norm = emb1 / np.linalg.norm(emb1)
            emb2_norm = emb2 / np.linalg.norm(emb2)
            similarity = np.dot(emb1_norm, emb2_norm)
            return (similarity + 1.0) / 2.0
    
    embeddings_manager = MockEmbeddingsManager()
    
    # Créer le détecteur
    detector = UIChangeDetector(embeddings_manager, logger, CONFIG)
    print(f"   ✓ UIChangeDetector initialisé")
    print(f"   - Seuil de similarité UI: {detector.ui_change_threshold}")
    print(f"   - Seuil de delta bbox: {detector.bbox_delta_threshold} pixels")
    
    # Test 1: Détection de changement UI (embeddings similaires)
    print("\n2. Test: UI stable (embeddings similaires)...")
    current_emb = np.random.rand(512)
    stored_embs = [
        current_emb + np.random.rand(512) * 0.1,  # Très similaire
        current_emb + np.random.rand(512) * 0.15,
    ]
    
    change_detected, similarity = detector.detect_ui_change(
        current_emb,
        stored_embs,
        "test_task_1"
    )
    print(f"   - Changement détecté: {change_detected}")
    print(f"   - Similarité max: {similarity:.3f}")
    print(f"   ✓ Test réussi: {'Changement' if change_detected else 'Stable'}")
    
    # Test 2: Détection de changement UI (embeddings différents)
    print("\n3. Test: UI changée (embeddings différents)...")
    current_emb = np.random.rand(512)
    stored_embs = [
        np.random.rand(512),  # Complètement différent
        np.random.rand(512),
    ]
    
    change_detected, similarity = detector.detect_ui_change(
        current_emb,
        stored_embs,
        "test_task_2"
    )
    print(f"   - Changement détecté: {change_detected}")
    print(f"   - Similarité max: {similarity:.3f}")
    print(f"   ✓ Test réussi: {'Changement' if change_detected else 'Stable'}")
    
    # Test 3: Calcul de delta bbox (petite différence)
    print("\n4. Test: Delta bbox (petite différence)...")
    predicted_bbox = (100, 200, 50, 30)
    actual_bbox = (105, 203, 50, 30)
    
    deltas = detector.calculate_delta(predicted_bbox, actual_bbox)
    print(f"   - Delta X: {deltas['delta_x']:.1f} pixels")
    print(f"   - Delta Y: {deltas['delta_y']:.1f} pixels")
    print(f"   - Delta centre: {deltas['delta_center']:.1f} pixels")
    print(f"   - Delta max: {deltas['max_delta']:.1f} pixels")
    print(f"   ✓ Test réussi")
    
    # Test 4: Calcul de delta bbox (grande différence)
    print("\n5. Test: Delta bbox (grande différence)...")
    predicted_bbox = (100, 200, 50, 30)
    actual_bbox = (150, 230, 50, 30)
    
    deltas = detector.calculate_delta(predicted_bbox, actual_bbox)
    print(f"   - Delta X: {deltas['delta_x']:.1f} pixels")
    print(f"   - Delta Y: {deltas['delta_y']:.1f} pixels")
    print(f"   - Delta centre: {deltas['delta_center']:.1f} pixels")
    print(f"   - Delta max: {deltas['max_delta']:.1f} pixels")
    print(f"   ✓ Test réussi")
    
    # Test 5: Décision de ré-entraînement (pas nécessaire)
    print("\n6. Test: Décision de ré-entraînement (pas nécessaire)...")
    deltas = {"max_delta": 5.0}
    similarity = 0.85
    should_retrain = detector.should_trigger_retraining(deltas, similarity)
    print(f"   - Delta max: {deltas['max_delta']} pixels")
    print(f"   - Similarité: {similarity:.2f}")
    print(f"   - Ré-entraînement nécessaire: {should_retrain}")
    print(f"   ✓ Test réussi: {'Oui' if should_retrain else 'Non'}")
    
    # Test 6: Décision de ré-entraînement (nécessaire - position)
    print("\n7. Test: Décision de ré-entraînement (nécessaire - position)...")
    deltas = {"max_delta": 25.0}
    similarity = 0.85
    should_retrain = detector.should_trigger_retraining(deltas, similarity)
    print(f"   - Delta max: {deltas['max_delta']} pixels")
    print(f"   - Similarité: {similarity:.2f}")
    print(f"   - Ré-entraînement nécessaire: {should_retrain}")
    print(f"   ✓ Test réussi: {'Oui' if should_retrain else 'Non'}")
    
    # Test 7: Décision de ré-entraînement (nécessaire - visuel)
    print("\n8. Test: Décision de ré-entraînement (nécessaire - visuel)...")
    deltas = {"max_delta": 5.0}
    similarity = 0.60
    should_retrain = detector.should_trigger_retraining(deltas, similarity)
    print(f"   - Delta max: {deltas['max_delta']} pixels")
    print(f"   - Similarité: {similarity:.2f}")
    print(f"   - Ré-entraînement nécessaire: {should_retrain}")
    print(f"   ✓ Test réussi: {'Oui' if should_retrain else 'Non'}")
    
    # Test 8: Déclenchement de ré-entraînement
    print("\n9. Test: Déclenchement de ré-entraînement...")
    detector.trigger_retraining(
        "test_task_3",
        "position_drift",
        {"delta": 25.0}
    )
    print(f"   ✓ Ré-entraînement déclenché")
    
    # Test 9: Vérification complète avec déclenchement
    print("\n10. Test: Vérification complète...")
    current_emb = np.random.rand(512)
    stored_embs = [np.random.rand(512)]
    predicted_bbox = (100, 200, 50, 30)
    actual_bbox = (150, 230, 50, 30)
    
    result = detector.check_and_trigger_retraining(
        "test_task_4",
        current_emb,
        stored_embs,
        predicted_bbox,
        actual_bbox
    )
    print(f"   - Changement UI détecté: {result['ui_change_detected']}")
    print(f"   - Dérive position détectée: {result['position_drift_detected']}")
    print(f"   - Ré-entraînement déclenché: {result['retraining_triggered']}")
    print(f"   - Similarité: {result['similarity']:.3f}")
    if result['deltas']:
        print(f"   - Delta max: {result['deltas']['max_delta']:.1f} pixels")
    print(f"   ✓ Test réussi")
    
    # Test 10: Statistiques
    print("\n11. Test: Statistiques...")
    stats = detector.get_stats()
    print(f"   - Changements détectés: {stats['total_changes_detected']}")
    print(f"   - Ré-entraînements déclenchés: {stats['retraining_triggered_count']}")
    print(f"   - Changements par tâche: {stats['changes_by_task']}")
    print(f"   ✓ Test réussi")
    
    # Test 11: Historique
    print("\n12. Test: Historique des changements...")
    history = detector.get_change_history()
    print(f"   - Nombre d'entrées: {len(history)}")
    if history:
        print(f"   - Dernière entrée: {history[-1]['task_id']}")
    print(f"   ✓ Test réussi")
    
    print("\n" + "=" * 60)
    print("✓ Tous les tests réussis!")
    print("=" * 60)


if __name__ == "__main__":
    test_ui_change_detector()