final v1

Dockerfile

@@ -5,4 +5,4 @@ COPY ./requirements.txt /code/requirements.txt
 RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
 COPY . /code
 EXPOSE 7860
-CMD ["python3", "app.py"]
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,4 +1,4 @@
-# app.py (versión final y simplificada con Gradio)
+# app.py (versión final con Gradio para web y FastAPI para móvil)
 
 import torch
 import torchvision.transforms as transforms
@@ -6,6 +6,9 @@ from PIL import Image
 import json
 import timm
 import gradio as gr
+from fastapi import FastAPI, UploadFile, File
+from fastapi.responses import JSONResponse
+import io
 
 # --- 1. Importar la definición del modelo ---
 from VisionEnsembleModel import VisionEnsembleModel
@@ -23,8 +26,7 @@ model = VisionEnsembleModel(num_classes=NUM_CLASSES)
 model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
 model.to(device)
 model.eval()
-
-print("Modelo Ensamblado Híbrido (CNN+ViT) cargado y listo.")
+print("Modelo Ensamblado Híbrido cargado.")
 
 transforms_val = transforms.Compose([
     transforms.Resize((224, 224)),
@@ -32,33 +34,42 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 3. Función de Predicción (sin cambios) ---
-def predict(image):
-    pil_image = Image.fromarray(image.astype('uint8'), 'RGB')
-    input_tensor = transforms_val(pil_image).unsqueeze(0).to(device)
+# --- 3. Función de Predicción Interna ---
+def make_prediction(image_pil):
+    input_tensor = transforms_val(image_pil).unsqueeze(0).to(device)
     with torch.no_grad():
         output = model(input_tensor)
         probabilities = torch.nn.functional.softmax(output[0], dim=0)
+    return probabilities
 
+# --- 4. Función para la Interfaz de Gradio (devuelve nombres) ---
+def predict_for_gradio(image_numpy):
+    pil_image = Image.fromarray(image_numpy.astype('uint8'), 'RGB')
+    probabilities = make_prediction(pil_image)
     top5_prob, top5_catid = torch.topk(probabilities, 5)
-    confidences = {}
-    for i in range(top5_prob.size(0)):
-        species_id = top5_catid[i].item()
-        prob = top5_prob[i].item()
-        species_name = labels_map.get(str(species_id), "Desconocido")
-        confidences[species_name] = prob
+    confidences = {labels_map.get(str(cat_id.item()), "Desconocido"): prob.item() for prob, cat_id in zip(top5_prob, top5_catid)}
     return confidences
 
-# --- 4. Crear y Lanzar la Interfaz de Gradio ---
-iface = gr.Interface(
-    fn=predict,
-    inputs=gr.Image(type="numpy", label="Sube una imagen de tu orquídea"),
-    outputs=gr.Label(num_top_classes=5, label="Predicciones"),
-    title="Clasificador de Orquídeas (Modelo Ensamblado)",
-    description="Sube una foto de una orquídea y la IA (CNN+ViT) intentará identificar la especie.",
-)
+# --- 5. Crear la Interfaz de Gradio ---
+gradio_interface = gr.Interface(fn=predict_for_gradio, inputs=gr.Image(type="numpy"), outputs=gr.Label(num_top_classes=5), title="Clasificador de Orquídeas")
+
+# --- 6. Crear la App FastAPI ---
+app = FastAPI()
+
+# --- 7. Endpoint de API para la App Móvil (devuelve IDs) ---
+@app.post("/predict_for_mobile")
+async def predict_for_mobile(file: UploadFile = File(...)):
+    image_bytes = await file.read()
+    try:
+        pil_image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
+    except Exception:
+        return JSONResponse(status_code=400, content={"error": "Archivo de imagen inválido."})
+
+    probabilities = make_prediction(pil_image)
+    top5_prob, top_catid = torch.topk(probabilities, 5)
+    
+    results = [{"species_id": cat_id.item(), "confidence": prob.item()} for prob, cat_id in zip(top5_prob, top_catid)]
+    return JSONResponse(content={"predictions": results})
 
-# Lanzamos la aplicación. 
-# server_name="0.0.0.0" es crucial para que funcione dentro de Docker.
-# server_port=7860 es el puerto estándar que Hugging Face expone.
-iface.launch(server_name="0.0.0.0", server_port=7860)
+# --- 8. Montar Gradio en la App FastAPI ---
+app = gr.mount_gradio_app(app, gradio_interface, path="/")