return functional model

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 ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]
+CMD ["python3", "app.py"]

app.py

@@ -1,4 +1,4 @@
-# app.py (versión final con Gradio y API para móvil)
+# app.py (versión final y simplificada con Gradio)
 
 import torch
 import torchvision.transforms as transforms
@@ -6,9 +6,6 @@ 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
@@ -19,18 +16,14 @@ 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:
-        labels_map = json.load(f)
-    print("Mapa de etiquetas cargado.")
-except Exception as e:
-    labels_map = {}
-    print(f"Error cargando el mapa de etiquetas: {e}")
+with open(LABELS_PATH) as f:
+    labels_map = json.load(f)
 
 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.")
 
 transforms_val = transforms.Compose([
@@ -39,60 +32,33 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 3. Función de Predicción ---
-def make_prediction(image_pil):
-    """Función interna que toma una imagen PIL y devuelve las probabilidades."""
-    input_tensor = transforms_val(image_pil).unsqueeze(0).to(device)
+# --- 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)
     with torch.no_grad():
         output = model(input_tensor)
         probabilities = torch.nn.functional.softmax(output[0], dim=0)
-    return probabilities
 
-# --- 4. Lógica 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), f"ID Desconocido: {species_id}")
+        species_name = labels_map.get(str(species_id), "Desconocido")
         confidences[species_name] = prob
     return confidences
 
-# --- 5. Crear la Interfaz de Gradio ---
-gradio_interface = gr.Interface(
-    fn=predict_for_gradio,
+# --- 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.",
 )
 
-# --- 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 = []
-    for i in range(top5_prob.size(0)):
-        results.append({
-            "species_id": top_catid[i].item(),
-            "confidence": top_prob[i].item()
-        })
-    return JSONResponse(content={"predictions": results})
-
-# --- 8. Montar la Interfaz de Gradio en la ruta raíz ---
-app = gr.mount_gradio_app(app, gradio_interface, path="/")
+# 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)