return version functional

app.py

@@ -1,27 +1,30 @@
-# app.py (versión final - API Numérica)
+# app.py (versión final y simplificada con Gradio)
 
 import torch
 import torchvision.transforms as transforms
 from PIL import Image
 import json
 import timm
-from fastapi import FastAPI, UploadFile, File
-from fastapi.responses import JSONResponse
-import io
+import gradio as gr
 
 # --- 1. Importar la definición del modelo ---
 from VisionEnsembleModel import VisionEnsembleModel
 
-# --- 2. Carga del Modelo ---
+# --- 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)
+
 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 (CNN+ViT) cargado y listo.")
 
 transforms_val = transforms.Compose([
     transforms.Resize((224, 224)),
@@ -29,30 +32,33 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 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:
-        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)
+# --- 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)
-    
+
     top5_prob, top5_catid = torch.topk(probabilities, 5)
-    
-    results = []
+    confidences = {}
     for i in range(top5_prob.size(0)):
-        results.append({
-            "species_id": top5_catid[i].item(),
-            "confidence": top5_prob[i].item()
-        })
-        
-    return JSONResponse(content={"predictions": results})
+        species_id = top5_catid[i].item()
+        prob = top5_prob[i].item()
+        species_name = labels_map.get(str(species_id), "Desconocido")
+        confidences[species_name] = prob
+    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.",
+)
+
+# 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)