# Hệ Thống Quản Lý Model - Model Manager

## Tổng quan

Hệ thống **Model Manager** cho phép vận hành và quản lý tất cả các loại models trong dự án Land Classification, bao gồm:
- XGBoost
- Random Forest
- Decision Tree
- SVM
- CNN (PyTorch)
- Các model khác

## Cấu trúc

### 1. Model Storage
```
model_train/
├── model_odc.joblib                    # Model file
├── model_xgboost_20251221_172351.joblib
├── model_xgboost_20251221_172351_info.json  # Metadata
├── model_cnn_20251221_163841.joblib
└── model_cnn_20251221_163841_info.json
```

### 2. Metadata Format
Mỗi model đi kèm với file JSON chứa metadata:

```json
{
  "timestamp": "2025-12-21T17:23:57.306042",
  "data_source": "Microsoft Planetary Computer STAC",
  "collections": ["sentinel-2-l2a", "sentinel-1-rtc"],
  "features": ["NDVI_mean", "VH_dB_mean", "VV_dB_mean"],
  "model_type": "xgboost",
  "n_features": 3,
  "n_classes": 7,
  "test_accuracy": 0.578125,
  "train_accuracy": 1.0,
  "classification_report": {...},
  "confusion_matrix": [...],
  "bbox": [105.6, 9.3, 106.2, 9.8],
  "time_range": "2023-03-01/2023-05-31",
  "resolution": 20
}
```

## Sử dụng

### 1. Trong Python Code

#### List tất cả models
```python
from model_manager import get_model_manager

model_manager = get_model_manager()
models = model_manager.list_models()

for model in models:
    print(f"{model['filename']} - {model['model_type']} - Accuracy: {model['test_accuracy']}")
```

#### Load model
```python
model, encoder, metadata = model_manager.load_model("model_xgboost_20251221_172351.joblib")

print(f"Model type: {metadata['model_type']}")
print(f"Required features: {metadata['features']}")
```

#### Save model mới
```python
metadata = {
    "timestamp": datetime.now().isoformat(),
    "model_type": "random_forest",
    "features": ["NDVI_mean", "VH_dB_mean", "VV_dB_mean"],
    "n_features": 3,
    "n_classes": 7,
    "test_accuracy": 0.85,
    "train_accuracy": 0.95
}

model_manager.save_model(
    model=trained_model,
    metadata=metadata,
    model_filename="my_model.joblib",
    label_encoder=encoder
)
```

#### Validate model
```python
validation = model_manager.validate_model("model_odc.joblib")
print(f"Valid: {validation['valid']}")
print(f"Errors: {validation['errors']}")
print(f"Warnings: {validation['warnings']}")
```

#### Get required features
```python
features = model_manager.get_required_features("model_xgboost_20251221_172351.joblib")
print(f"Required features: {features}")
```

### 2. Trong Notebook Training

File `01.train_ODC.ipynb` hoặc các notebook khác:

```python
# Import
from new_import_ODC import save_model

# Train model
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# Prepare metadata
metadata = {
    "timestamp": datetime.now().isoformat(),
    "model_type": "random_forest",
    "features": ["ndvi"],  # Danh sách features đã dùng
    "n_features": 1,
    "n_classes": len(np.unique(y_train)),
    "test_accuracy": accuracy_score(y_test, y_pred),
    "train_accuracy": model.score(X_train, y_train),
    "data_source": "Local S3 ODC",
    "training_samples": len(X_train),
    "testing_samples": len(X_test)
}

# Save với metadata
save_model("model_odc.joblib", model, metadata=metadata, label_encoder=None)
```

### 3. Qua API

#### List models
```bash
curl http://localhost:8000/api/models/list
```

Response:
```json
{
  "success": true,
  "models": [
    {
      "filename": "model_xgboost_20251221_172351.joblib",
      "model_type": "xgboost",
      "features": ["NDVI_mean", "VH_dB_mean", "VV_dB_mean"],
      "test_accuracy": 0.578125,
      "size_mb": 0.45
    }
  ],
  "count": 3
}
```

#### Get model info
```bash
curl http://localhost:8000/api/models/model_odc.joblib/info
```

#### Validate model
```bash
curl http://localhost:8000/api/models/model_odc.joblib/validate
```

#### Delete model
```bash
curl -X DELETE http://localhost:8000/api/models/old_model.joblib
```

#### Predict với model cụ thể
```bash
curl -X POST http://localhost:8000/api/predict \
  -H "Content-Type: application/json" \
  -d '{
    "model_filename": "model_xgboost_20251221_172351.joblib",
    "min_lon": 105.6,
    "min_lat": 9.3,
    "max_lon": 106.2,
    "max_lat": 9.8,
    "start_date": "2023-03-01",
    "end_date": "2023-05-31"
  }'
```

## Features Chính

### 1. Automatic Feature Detection
Hệ thống tự động detect features cần thiết từ metadata:
```python
metadata = model_manager._load_metadata("model.joblib")
required_features = metadata.get("features", [])
```

### 2. Model Type Support
Hỗ trợ nhiều loại model:
- **XGBoost**: GPU-accelerated gradient boosting
- **Random Forest**: Ensemble learning
- **Decision Tree**: Simple tree-based
- **SVM**: Support Vector Machine
- **CNN**: PyTorch neural networks

### 3. Backward Compatibility
Hệ thống vẫn hỗ trợ models cũ không có metadata:
- Tự động detect và tạo default metadata
- Load được cả format cũ (model only) và mới (dict với encoder)

### 4. Validation
Kiểm tra tính hợp lệ của model:
- File tồn tại
- Load được
- Metadata đầy đủ
- Features requirements

## Testing

Chạy test suite:
```bash
python test_model_manager.py
```

Output mẫu:
```
======================================================================
MODEL MANAGER TEST
======================================================================

✅ ModelManager initialized

======================================================================
TEST 1: LIST ALL MODELS
======================================================================

📦 Found 3 models:

[1] model_xgboost_20251221_172351.joblib
    Size: 0.45 MB
    Type: xgboost
    Features: 3
    Accuracy: 0.578125

[2] model_cnn_20251221_163841.joblib
    Size: 0.12 MB
    Type: cnn
    Features: 3
    Accuracy: 0.507812

[3] model_odc.joblib
    Size: 0.02 MB
    ⚠️  No metadata
```

## Migration Guide

### Cho Models Cũ

Nếu bạn có models cũ không có metadata, có 2 cách:

#### Option 1: Tự động (Recommended)
Hệ thống sẽ tự động tạo default metadata khi load

#### Option 2: Tạo metadata manually
```python
# Tạo metadata file
metadata = {
    "timestamp": "2025-12-21T12:00:00",
    "model_type": "random_forest",  # hoặc model type tương ứng
    "features": ["ndvi"],  # Features đã dùng khi train
    "n_features": 1,
    "n_classes": 8,
    "test_accuracy": 0.75,  # Nếu biết
}

import json
with open("model_train/model_odc_info.json", "w") as f:
    json.dump(metadata, f, indent=2)
```

### Cho Training Code Mới

Luôn save model với metadata:
```python
save_model(
    name_file="my_model.joblib",
    model=trained_model,
    metadata={...},  # Bắt buộc
    label_encoder=encoder
)
```

## Best Practices

1. **Luôn include metadata** khi save model mới
2. **Sử dụng naming convention**: `model_{type}_{timestamp}.joblib`
3. **Test model** sau khi train: `model_manager.validate_model()`
4. **Document features** trong metadata để dễ sử dụng sau này
5. **Backup models** quan trọng trước khi xóa

## Troubleshooting

### Model không load được
```python
validation = model_manager.validate_model("model.joblib")
print(validation['errors'])  # Xem lỗi cụ thể
```

### Thiếu metadata
Tạo metadata file manually (xem Migration Guide)

### Features không khớp
Kiểm tra `metadata['features']` và đảm bảo data đầu vào có đúng features

## API Endpoints Summary

| Endpoint | Method | Description |
|----------|--------|-------------|
| `/api/models/list` | GET | List all models |
| `/api/models/{filename}/info` | GET | Get model details |
| `/api/models/{filename}/validate` | GET | Validate model |
| `/api/models/{filename}` | DELETE | Delete model |
| `/api/predict` | POST | Predict with model |
| `/api/batch/predict` | POST | Batch prediction |
| `/api/predict-with-ndvi` | POST | Predict + NDVI export |

## File Structure

```
remote-sensing/
├── model_manager.py           # Core ModelManager class
├── test_model_manager.py      # Test suite
├── new_import_ODC.py          # Updated save_model function
├── train_module.py            # Updated training module
├── api_server.py              # API với ModelManager integration
└── model_train/               # Models directory
    ├── *.joblib               # Model files
    └── *_info.json            # Metadata files
```

## Next Steps

1. ✅ Migrate existing notebooks để sử dụng metadata
2. ✅ Update UI để cho phép chọn model
3. ✅ Add model comparison features
4. ✅ Implement model versioning
5. ✅ Add automated model backup