f

app.py

@@ -1,4 +1,4 @@
-# app.py (Versión final y robusta para el SDK de Gradio)
+# app.py (Versión final con lanzamiento robusto)
 
 import torch
 import torch.nn as nn
@@ -8,20 +8,18 @@ import json
 import timm
 import gradio as gr
 
-# --- 1. Definición del Modelo (directamente aquí para máxima compatibilidad) ---
+# --- 1. Definición del Modelo (directamente aquí) ---
 class VisionEnsembleModel(nn.Module):
     def __init__(self, num_classes, cnn_model_name='efficientnet_b2', vit_model_name='vit_small_patch16_224'):
         super().__init__()
-        # Se crean con pretrained=False porque cargaremos nuestros propios pesos entrenados.
         self.cnn = timm.create_model(cnn_model_name, pretrained=False, num_classes=num_classes)
         cnn_features = self.cnn.get_classifier().in_features
-        self.cnn.reset_classifier(0) # Elimina el clasificador, deja el extractor de características
+        self.cnn.reset_classifier(0)
 
         self.vit = timm.create_model(vit_model_name, pretrained=False, num_classes=num_classes)
         vit_features = self.vit.head.in_features
-        self.vit.head = nn.Identity() # Elimina el clasificador, deja el extractor
+        self.vit.head = nn.Identity()
 
-        # Clasificador final que combina las características de ambos modelos
         self.classifier = nn.Sequential(
             nn.BatchNorm1d(cnn_features + vit_features),
             nn.Linear(cnn_features + vit_features, 512),
@@ -38,7 +36,7 @@ class VisionEnsembleModel(nn.Module):
         return output
 
 # --- 2. Carga del Modelo y Componentes ---
-device = torch.device("cpu") # Usamos CPU para máxima compatibilidad en el plan gratuito
+device = torch.device("cpu")
 MODEL_PATH = "model/best_vision_ensemble_model.pth"
 LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
@@ -48,70 +46,46 @@ try:
         labels_map = json.load(f)
     print("Mapa de etiquetas cargado con éxito.")
 except Exception as e:
-    print(f"ERROR AL CARGAR EL MAPA DE ETIQUETAS: {e}")
-    labels_map = {} # Si falla, usamos un mapa vacío para que la app no crashee
+    print(f"ERROR AL CARGAR MAPA DE ETIQUETAS: {e}")
+    labels_map = {}
 
-# Instanciamos y cargamos el modelo ensamblado
 model = VisionEnsembleModel(num_classes=NUM_CLASSES)
 model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
 model.to(device)
-model.eval() # ¡Crucial poner el modelo en modo de evaluación!
+model.eval()
+print("Modelo Híbrido cargado y listo.")
 
-print("Modelo Ensamblado Híbrido (CNN+ViT) cargado y listo.")
-
-# Definir las transformaciones de la imagen (deben ser idénticas a las de validación)
 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. Función de Predicción para Gradio (devuelve nombres) ---
+# --- 3. Función de Predicción ---
 def predict(image):
-    """
-    Esta función toma una imagen de la interfaz de Gradio, la procesa
-    con el modelo y devuelve un diccionario de {nombre_especie: confianza}.
-    """
-    # Manejar el caso de que no se suba ninguna imagen
     if image is None:
         return None
-        
-    # La imagen de Gradio viene como un array de Numpy, la convertimos a PIL Image
     pil_image = Image.fromarray(image.astype('uint8'), 'RGB')
-    
-    # Preprocesar la imagen
     input_tensor = transforms_val(pil_image).unsqueeze(0).to(device)
-    
-    # Realizar la predicción
     with torch.no_grad():
         output = model(input_tensor)
         probabilities = torch.nn.functional.softmax(output[0], dim=0)
-    
-    # Obtener las 5 predicciones más probables
+
     top5_prob, top5_catid = torch.topk(probabilities, 5)
-    
-    # Crear el diccionario de confianzas con los nombres de las especies
-    confidences = {}
-    for i in range(top5_prob.size(0)):
-        species_id = top5_catid[i].item()
-        prob = top5_prob[i].item()
-        
-        # Traducir el ID a un nombre usando el mapa de etiquetas cargado
-        species_name = labels_map.get(str(species_id), f"ID Desconocido: {species_id}")
-        
-        confidences[species_name] = prob
-        
+    confidences = {labels_map.get(str(cat_id.item()), f"ID {cat_id.item()}"): prob.item() for prob, cat_id in zip(top5_prob, top5_catid)}
     return confidences
 
-# --- 4. Crear y Lanzar la Interfaz de Gradio ---
+# --- 4. Crear la Interfaz de Gradio ---
 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 (un ensamblado de CNN y Vision Transformer) intentará identificar la especie.",
+    description="Sube una foto de una orquídea y la IA (CNN+ViT) intentará identificar la especie.",
     allow_flagging="never"
 )
 
-# Lanzamos la aplicación. Gradio se encargará de crear el servidor web.
-iface.launch()
+# --- 5. Lanzar la Aplicación (de forma segura) ---
+# Este bloque asegura que el servidor solo se lance cuando el script se ejecuta directamente.
+if __name__ == "__main__":
+    iface.launch()