finalv4

app.py

@@ -1,6 +1,59 @@
-# app.py (Hola Mundo)
-from fastapi import FastAPI
-app = FastAPI()
+# app.py (Versión final - Solo API FastAPI)
+
+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
+
+# --- 1. Importar la definición del modelo ---
+from VisionEnsembleModel import VisionEnsembleModel
+
+# --- 2. Carga del Modelo y Componentes ---
+device = torch.device("cpu")
+MODEL_PATH = "model/best_vision_ensemble_model.pth"
+NUM_CLASSES = 156
+
+# El mapa de etiquetas ya no es necesario en el servidor
+# ya que la app móvil se encargará de la traducción.
+
+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 y listo para servir la API.")
+
+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])
+])
+
+# --- 3. Crear la App FastAPI ---
+app = FastAPI(title="API de Clasificación de Orquídeas")
+
 @app.get("/")
 def read_root():
-    return {"Hello": "World"}
+    return {"status": "ok", "message": "API de Orquídeas funcionando. Usa el endpoint POST en /predict_for_mobile"}
+
+# --- 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()
+    try:
+        pil_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(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})