Id fix

app.py

@@ -1,4 +1,4 @@
-# app.py (versión final y simplificada con Gradio)
+# app.py (versión final con nombres de especies en la salida)
 
 import torch
 import torchvision.transforms as transforms
@@ -10,7 +10,7 @@ import gradio as gr
 # --- 1. Importar la definición del modelo ---
 from VisionEnsembleModel import VisionEnsembleModel
 
-# --- 2. Carga del Modelo y Componentes ---
+# --- 2. Carga del Modelo y Componentes (Sin cambios) ---
 device = torch.device("cpu")
 MODEL_PATH = "model/best_vision_ensemble_model.pth"
 LABELS_PATH = "model/species_labels_map.json"
@@ -32,24 +32,35 @@ transforms_val = transforms.Compose([
     transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
 ])
 
-# --- 3. Función de Predicción (sin cambios) ---
+# --- 3. Función de Predicción (CON LA CORRECCIÓN) ---
 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()
-        species_name = labels_map.get(str(species_id), "Desconocido")
+        
+        # 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})")
+        
+        # Añadimos al diccionario el NOMBRE como clave y la probabilidad como valor.
         confidences[species_name] = prob
+    # ------------------------------------
+        
     return confidences
 
-# --- 4. Crear y Lanzar la Interfaz de Gradio ---
+# --- 4. Crear y Lanzar la Interfaz de Gradio (Sin cambios) ---
 iface = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="numpy", label="Sube una imagen de tu orquídea"),
@@ -58,7 +69,4 @@ iface = gr.Interface(
     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)