Migrate to a Gradio interface for user-friendly predictions

Dockerfile

@@ -1,22 +0,0 @@
-# Usa la imagen base oficial de Hugging Face para Spaces. Incluye PyTorch y CUDA.
-FROM huggingface/transformers-pytorch-gpu
-
-# Establece el directorio de trabajo dentro del contenedor
-WORKDIR /code
-
-# Copia el archivo de requerimientos primero para que Docker pueda cachear la instalación
-COPY ./requirements.txt /code/requirements.txt
-
-# Instala todas las dependencias de Python
-RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
-
-# Copia todos los demás archivos de tu proyecto al contenedor
-COPY . /code
-
-# Expone el puerto que usará la aplicación. 7860 es el estándar para Spaces.
-EXPOSE 7860
-
-# Define el comando que se ejecutará para iniciar tu API de FastAPI.
-# Le dice a 'uvicorn' que busque un objeto llamado 'app' en un archivo llamado 'app.py'
-# y que lo sirva en todas las interfaces de red ('0.0.0.0') en el puerto 7860.
-CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

README.md

@@ -1,14 +1,9 @@
 ---
-title: Orchid Classifier Api
-emoji: 🌸 # Cambié el emoji a una flor, ¡más temático!
-colorFrom: purple
-colorTo: blue
-sdk: docker
-app_file: app.py  
-app_port: 7860     
-pinned: false
+title: Orchid Classifier
+emoji: 🌸
+colorFrom: green
+colorTo: purple
+sdk: gradio
+sdk_version: 4.31.0 # Usar una versión reciente de Gradio
 license: mit
-short_description: api
----
-
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+---

app.py

@@ -1,89 +1,82 @@
-# Contenido de: app.py
+# app.py (versión con Gradio)
 
 import torch
 import torchvision.transforms as transforms
 from PIL import Image
 import json
-from fastapi import FastAPI, UploadFile, File
-from fastapi.responses import JSONResponse
-import io
+import timm
+import gradio as gr
 
-# Importamos la definición de nuestro modelo desde el otro archivo
-from VisionEnsembleModel import VisionEnsembleModel
+# --- 1. Carga del Modelo y Componentes (igual que antes) ---
 
-# --- 1. Carga del Modelo y Componentes ---
-
-# Definimos el dispositivo (en los Spaces de Hugging Face, podemos usar CPU o GPU)
-device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
-print(f"Usando dispositivo: {device}")
-
-# Rutas a los archivos
-MODEL_PATH = "model/best_vision_ensemble_model.pth"
+device = torch.device("cpu") # Es más seguro usar CPU en el plan gratuito
+MODEL_PATH = "model/best_mobilenet_model.pth" # Usaremos el modelo ligero que sabemos que funciona
 LABELS_PATH = "model/species_labels_map.json"
-NUM_CLASSES = 156 # El número de clases con el que fue entrenado
+NUM_CLASSES = 156
 
-# Cargamos el mapa de etiquetas
+# Cargar mapa de etiquetas
 with open(LABELS_PATH) as f:
     labels_map = json.load(f)
-print("Mapa de etiquetas cargado.")
 
-# Instanciamos el modelo y cargamos los pesos
-model = VisionEnsembleModel(num_classes=NUM_CLASSES)
+# Definir y cargar el modelo ligero
+model = timm.create_model('mobilenetv2_100', pretrained=False, num_classes=NUM_CLASSES)
 model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
 model.to(device)
-model.eval() # ¡Muy importante poner el modelo en modo de evaluación!
-print("Modelo cargado y en modo de evaluación.")
+model.eval()
+
+print("Modelo MobileNetV2 cargado y listo.")
 
-# Definimos las transformaciones de la imagen (deben ser las mismas que en la validación)
+# Definir las transformaciones de la imagen
 transforms_val = transforms.Compose([
     transforms.Resize((224, 224)),
     transforms.ToTensor(),
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 2. Creación de la Aplicación FastAPI ---
-
-app = FastAPI(title="API de Clasificación de Orquídeas")
-
-@app.get("/")
-def read_root():
-    return {"message": "Bienvenido a la API de Orquídeas. Envía una imagen al endpoint /predict"}
+# --- 2. Definir la Función de Predicción para Gradio ---
 
-@app.post("/predict")
-async def predict(file: UploadFile = File(...)):
+def predict(image):
     """
-    Endpoint que recibe una imagen, la procesa y devuelve la predicción.
+    Esta función toma una imagen (de Gradio) y devuelve un diccionario de predicciones.
     """
-    # Leer el contenido de la imagen en memoria
-    image_bytes = await file.read()
-    try:
-        image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
-    except Exception as e:
-        return JSONResponse(status_code=400, content={"error": f"Archivo inválido: {e}"})
-
+    # La imagen de Gradio viene como un array de Numpy, la convertimos a PIL Image
+    pil_image = Image.fromarray(image.astype('uint8'), 'RGB')
+    
     # Preprocesar la imagen
-    input_tensor = transforms_val(image).unsqueeze(0).to(device)
+    input_tensor = transforms_val(pil_image).unsqueeze(0).to(device)
 
     # Realizar la predicción
     with torch.no_grad():
         output = model(input_tensor)
         probabilities = torch.nn.functional.softmax(output[0], dim=0)
     
-    # Obtener la predicción principal
-    top_prob, top_catid = torch.topk(probabilities, 1)
-    predicted_id = top_catid[0].item()
-    confidence = top_prob[0].item()
+    # Crear un diccionario de confianza para las 5 mejores predicciones
+    top5_prob, top5_catid = torch.topk(probabilities, 5)
     
-    # Traducir el ID a un nombre de especie
-    predicted_species = labels_map.get(str(predicted_id), "Especie Desconocida")
+    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
+        
+    return confidences
+
+# --- 3. Crear y Lanzar la Interfaz de Gradio ---
+
+# Creamos la interfaz
+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",
+    description="Sube una foto de una orquídea y la IA intentará identificar la especie. Este modelo usa un MobileNetV2.",
+    examples=[
+        # Puedes añadir rutas a imágenes de ejemplo si las subes a tu repositorio
+        # ["ejemplo1.jpg"],
+        # ["ejemplo2.jpg"]
+    ]
+)
 
-    # Devolver el resultado en formato JSON
-    return JSONResponse(
-        status_code=200,
-        content={
-            "filename": file.filename,
-            "predicted_species": predicted_species,
-            "confidence": f"{confidence:.4f}",
-            "species_id": predicted_id
-        }
-    )
+# Lanzamos la aplicación
+iface.launch()

requirements.txt

@@ -7,4 +7,5 @@ torch
 torchvision
 timm
 Pillow
-scikit-learn
+scikit-learn
+gradio