test

app.py

@@ -1,59 +1,6 @@
-# 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.py (Hola Mundo)
+from fastapi import FastAPI
+app = FastAPI()
 @app.get("/")
 def read_root():
-    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})
+    return {"Hello": "World"}