import os
import cv2
from ultralytics import YOLO

# 这是一个好习惯，将模型加载放在函数外部，这样在多次调用函数时模型只需加载一次。
# 我们将模型路径作为参数传入，使其更具通用性。
models = {}


def detect_crop_area(image_path: str, model_path: str):
    """
    使用YOLOv8模型检测图像中的裁切区域。

    Args:
        image_path (str): 原始图像的文件路径。
        model_path (str): 用于检测的YOLOv8模型 (.pt) 的路径。

    Returns:
        tuple or None: 如果检测到物体，返回一个包含整数坐标的元组 (x1, y1, x2, y2)。
                       如果没有检测到或发生错误，返回 None。
    """
    # 检查模型是否已加载，如果没有，则加载并缓存
    if model_path not in models:
        print(f"Loading YOLOv8 model from: {model_path}")
        if not os.path.exists(model_path):
            print(f"Error: Model file not found at {model_path}")
            return None
        models[model_path] = YOLO(model_path)

    model = models[model_path]

    # 检查图像文件是否存在
    if not os.path.exists(image_path):
        print(f"Error: Image file not found at {image_path}")
        return None

    try:
        # 执行预测，verbose=False可以减少不必要的控制台输出
        results = model.predict(source=image_path, conf=0.5, verbose=False)

        # 检查是否有检测结果
        if not results or not results[0].boxes:
            print(f"Warning: YOLO did not detect any objects in {image_path}")
            return None

        # 获取置信度最高的那个检测框
        # YOLOv8的results[0].boxes包含所有检测框，我们通常取第一个（置信度最高的）
        box = results[0].boxes.xyxy[0].cpu().numpy().astype(int)

        # 返回整数坐标的元组
        return tuple(box)

    except Exception as e:
        print(f"An error occurred during prediction for {image_path}: {e}")
        return None