final APÍ REST

Dockerfile

@@ -5,5 +5,4 @@ COPY ./requirements.txt /code/requirements.txt
 RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
 COPY . /code
 EXPOSE 7860
-# ¡ESTA LÍNEA ES CRUCIAL! Debe usar uvicorn.
 CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

README.md

@@ -1,10 +1,7 @@
 ---
-title: Clasificador de Orquídeas
-emoji: 🌸
-colorFrom: green
-colorTo: purple
-sdk: docker         # <-- ¡MUY IMPORTANTE! Debe ser 'docker'.
-app_file: app.py    # <-- Le dice a Docker qué archivo es el principal.
-app_port: 7860      # <-- Le dice a Docker en qué puerto buscar.
-license: mit
+title: Orchid Classifier API
+emoji: 🤖
+sdk: docker
+app_file: app.py
+app_port: 7860
 ---

app.py

@@ -1,11 +1,10 @@
-# app.py (versión final con Gradio para web y FastAPI para móvil)
+# app.py (Versión final - Solo API FastAPI)
 
 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
@@ -16,17 +15,17 @@ from VisionEnsembleModel import VisionEnsembleModel
 # --- 2. Carga del Modelo y Componentes ---
 device = torch.device("cpu")
 MODEL_PATH = "model/best_vision_ensemble_model.pth"
-LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
 
-with open(LABELS_PATH) as f:
-    labels_map = json.load(f)
+# No necesitamos el mapa de etiquetas en el servidor, ya que la app lo manejará
+# 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 cargado.")
+print("Modelo Ensamblado Híbrido cargado y listo para servir la API.")
 
 transforms_val = transforms.Compose([
     transforms.Resize((224, 224)),
@@ -34,29 +33,14 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 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 = {labels_map.get(str(cat_id.item()), "Desconocido"): prob.item() for prob, cat_id in zip(top5_prob, top5_catid)}
-    return confidences
-
-# --- 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")
+# --- 3. Crear la App FastAPI ---
+app = FastAPI(title="API de Clasificación de Orquídeas")
 
-# --- 6. Crear la App FastAPI ---
-app = FastAPI()
+@app.get("/")
+def read_root():
+    return {"status": "ok", "message": "API de Orquídeas funcionando. Usa el endpoint /predict_for_mobile"}
 
-# --- 7. Endpoint de API para la App Móvil (devuelve IDs) ---
+# --- 4. 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()
@@ -65,11 +49,12 @@ async def predict_for_mobile(file: UploadFile = File(...)):
     except Exception:
         return JSONResponse(status_code=400, content={"error": "Archivo de imagen inválido."})
 
-    probabilities = make_prediction(pil_image)
+    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, 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})
-
-# --- 8. Montar Gradio en la App FastAPI ---
-app = gr.mount_gradio_app(app, gradio_interface, path="/")
+    return JSONResponse(content={"predictions": results})

requirements.txt

@@ -1,10 +1,8 @@
-# Contenido de: requirements.txt
+# requirements.txt
 fastapi
 uvicorn[standard]
 python-multipart
 torch
 torchvision
 timm
-Pillow
-scikit-learn
-gradio
+Pillow