best_model

app.py

@@ -1,4 +1,4 @@
-# app.py (versión final combinando Gradio y FastAPI)
+# app.py (versión para el modelo híbrido con Gradio y FastAPI)
 
 import torch
 import torchvision.transforms as transforms
@@ -8,63 +8,59 @@ import timm
 import gradio as gr
 from fastapi import FastAPI
 
-# --- 1. Carga del Modelo y Componentes (Sin cambios) ---
+# --- 1. Importar la definición del modelo ---
+from VisionEnsembleModel import VisionEnsembleModel # <-- ¡Importante!
 
-device = torch.device("cpu")
-MODEL_PATH = "model/best_mobilenet_model.pth"
+# --- 2. Carga del Modelo y Componentes ---
+device = torch.device("cpu") # Usar CPU es más seguro en el plan gratuito
+MODEL_PATH = "model/best_vision_ensemble_model.pth" # <-- RUTA AL MODELO HÍBRIDO
 LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
 
 with open(LABELS_PATH) as f:
     labels_map = json.load(f)
 
-model = timm.create_model('mobilenetv2_100', pretrained=False, num_classes=NUM_CLASSES)
+# --- Instanciamos y cargamos el modelo ensamblado ---
+model = VisionEnsembleModel(num_classes=NUM_CLASSES) # <-- Usamos nuestra clase personalizada
 model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
 model.to(device)
 model.eval()
 
-print("Modelo MobileNetV2 cargado y listo.")
+print("Modelo Ensamblado Híbrido (CNN+ViT) cargado y listo.")
 
+# Definir las transformaciones de la imagen (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) ---
-
+# --- 3. Función de Predicción (sin cambios en la lógica) ---
 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 la Interfaz de Gradio (Sin 'launch()') ---
-
+# --- 4. Crear la Interfaz de Gradio (sin cambios) ---
 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",
-    description="Sube una foto de una orquídea y la IA intentará identificar la especie.",
+    title="Clasificador de Orquídeas (Modelo Ensamblado)",
+    description="Sube una foto de una orquídea y la IA (CNN+ViT) intentará identificar la especie.",
 )
 
-# --- 4. Crear la App FastAPI y Montar Gradio en ella ---
-
+# --- 5. Crear la App FastAPI y Montar Gradio (sin cambios) ---
 app = FastAPI()
-
-# Montamos la interfaz de Gradio en la ruta raíz ("/") de nuestra aplicación FastAPI
 app = gr.mount_gradio_app(app, iface, path="/")