pure model

app.py

@@ -1,38 +1,27 @@
-# app.py (versión final con depuración)
+# app.py (versión final - API Numérica)
 
 import torch
 import torchvision.transforms as transforms
 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
 
-# --- 2. Carga del Modelo y Componentes ---
+# --- 2. Carga del Modelo ---
 device = torch.device("cpu")
 MODEL_PATH = "model/best_vision_ensemble_model.pth"
-LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
 
-try:
-    with open(LABELS_PATH) as f:
-        # Cargamos el mapa de etiquetas. Las claves JSON siempre son strings.
-        labels_map = json.load(f)
-    print("Mapa de etiquetas cargado con éxito.")
-    # Imprimimos una muestra para verificar
-    print("Ejemplo del mapa de etiquetas:", dict(list(labels_map.items())[:3]))
-except Exception as e:
-    print(f"ERROR AL CARGAR EL MAPA DE ETIQUETAS: {e}")
-    labels_map = {}
-
-
 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)),
@@ -40,48 +29,30 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 3. Función de Predicción (CON DEPURACIÓN) ---
-def predict(image):
-    print("\n--- Nueva Predicción Iniciada ---")
+# --- 3. Crear la App FastAPI ---
+app = FastAPI(title="API Numérica de Clasificación de Orquídeas")
+
+# --- 4. Endpoint de Predicción Numérica ---
+@app.post("/predict_numeric")
+async def predict_numeric(file: UploadFile = File(...)):
+    image_bytes = await file.read()
     try:
-        pil_image = Image.fromarray(image.astype('uint8'), 'RGB')
-        input_tensor = transforms_val(pil_image).unsqueeze(0).to(device)
-        with torch.no_grad():
-            output = model(input_tensor)
-            probabilities = torch.nn.functional.softmax(output[0], dim=0)
-        
-        top5_prob, top5_catid = torch.topk(probabilities, 5)
+        image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
+    except Exception:
+        return JSONResponse(status_code=400, content={"error": "Archivo de imagen inválido."})
+
+    input_tensor = transforms_val(image).unsqueeze(0).to(device)
+    with torch.no_grad():
+        output = model(input_tensor)
+        probabilities = torch.nn.functional.softmax(output[0], dim=0)
+    
+    top5_prob, top5_catid = torch.topk(probabilities, 5)
+    
+    results = []
+    for i in range(top5_prob.size(0)):
+        results.append({
+            "species_id": top5_catid[i].item(),
+            "confidence": top5_prob[i].item()
+        })
         
-        confidences = {}
-        for i in range(top5_prob.size(0)):
-            species_id = top5_catid[i].item()
-            prob = top5_prob[i].item()
-            
-            # Líneas de depuración que veremos en los logs
-            print(f"Predicción {i+1}: ID numérico = {species_id} (Tipo: {type(species_id)})")
-            
-            # Buscamos la clave como string
-            species_name = labels_map.get(str(species_id), f"ID Desconocido: {species_id}")
-            
-            print(f"Nombre traducido: {species_name}")
-            
-            confidences[species_name] = prob
-            
-        print("--- Predicción completada con éxito ---")
-        return confidences
-    except Exception as e:
-        print(f"!!! ERROR DURANTE LA PREDICCIÓN: {e}")
-        # Devolvemos el error a la interfaz de Gradio para verlo
-        return {"Error": str(e)}
-
-
-# --- 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.",
-)
-
-iface.launch(server_name="0.0.0.0", server_port=7860)
+    return JSONResponse(content={"predictions": results})