restruct

Dockerfile

@@ -0,0 +1,7 @@
+FROM huggingface/transformers-pytorch-gpu
+WORKDIR /code
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir --upgrade -r /code/requirements.txt
+COPY . /code
+EXPOSE 7860
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

README.md

@@ -1,9 +1,7 @@
 ---
 title: Orchid Classifier
 emoji: 🌸
-colorFrom: green
-colorTo: purple
-sdk: gradio
-sdk_version: 4.31.0 # Usar una versión reciente de Gradio
-license: mit
+sdk: docker
+app_file: app.py
+app_port: 7860
 ---

app.py

@@ -1,64 +1,70 @@
-# app.py (Versión Corregida para Cargar el Modelo Ensamblado)
+# app.py (versión final combinando Gradio y FastAPI)
 
 import torch
 import torchvision.transforms as transforms
 from PIL import Image
 import json
+import timm
 import gradio as gr
+from fastapi import FastAPI
 
-# --- ¡CAMBIO 1: Importar la clase de nuestro modelo! ---
-from VisionEnsembleModel import VisionEnsembleModel
+# --- 1. Carga del Modelo y Componentes (Sin cambios) ---
 
-# --- 1. Carga del Modelo y Componentes ---
 device = torch.device("cpu")
-
-# --- ¡VERIFICACIÓN! Apuntar al archivo de modelo correcto ---
-MODEL_PATH = "model/best_vision_ensemble_model.pth"
+MODEL_PATH = "model/best_mobilenet_model.pth"
 LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
 
-# Cargar mapa de etiquetas
 with open(LABELS_PATH) as f:
     labels_map = json.load(f)
 
-# --- ¡CAMBIO 2: Instanciar nuestro modelo personalizado! ---
-model = VisionEnsembleModel(num_classes=NUM_CLASSES)
+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()
 
-print("Modelo VisionEnsembleModel cargado y listo.")
+print("Modelo MobileNetV2 cargado y listo.")
 
-# --- 2. Definir la Función de Predicción para Gradio (SIN CAMBIOS) ---
 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. 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)
+    
     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 (SIN CAMBIOS) ---
+# --- 3. Crear la Interfaz de Gradio (Sin 'launch()') ---
+
 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)",
+    title="Clasificador de Orquídeas",
     description="Sube una foto de una orquídea y la IA intentará identificar la especie.",
 )
 
-iface.launch(server_name="0.0.0.0", server_port=7860)
+# --- 4. Crear la App FastAPI y Montar Gradio en ella ---
+
+app = FastAPI()
+
+# Montamos la interfaz de Gradio en la ruta raíz ("/") de nuestra aplicación FastAPI
+app = gr.mount_gradio_app(app, iface, path="/")