fix id name

app.py

@@ -1,4 +1,4 @@
-# app.py (versión final con nombres de especies en la salida)
+# app.py (versión final con depuración)
 
 import torch
 import torchvision.transforms as transforms
@@ -10,20 +10,28 @@ import gradio as gr
 # --- 1. Importar la definición del modelo ---
 from VisionEnsembleModel import VisionEnsembleModel
 
-# --- 2. Carga del Modelo y Componentes (Sin cambios) ---
+# --- 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)
+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.")
 
 transforms_val = transforms.Compose([
@@ -32,35 +40,42 @@ 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 LA CORRECCIÓN) ---
+# --- 3. Función de Predicción (CON DEPURACIÓN) ---
 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)
-    
-    # --- ¡ESTA ES LA CORRECCIÓN CLAVE! ---
-    confidences = {}
-    for i in range(top5_prob.size(0)):
-        # Obtenemos el ID numérico predicho
-        species_id = top5_catid[i].item()
-        # Obtenemos la probabilidad
-        prob = top5_prob[i].item()
+    print("\n--- Nueva Predicción Iniciada ---")
+    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)
         
-        # Usamos el mapa de etiquetas para "traducir" el ID a un nombre.
-        # Lo convertimos a string (str(species_id)) para que coincida con las claves del JSON.
-        species_name = labels_map.get(str(species_id), f"Desconocido (ID: {species_id})")
+        top5_prob, top5_catid = torch.topk(probabilities, 5)
         
-        # Añadimos al diccionario el NOMBRE como clave y la probabilidad como valor.
-        confidences[species_name] = prob
-    # ------------------------------------
-        
-    return confidences
+        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 (Sin cambios) ---
+# --- 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"),