v.1

Dockerfile

@@ -4,4 +4,4 @@ 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"]
+CMD ["python", "app.py"]

app.py

@@ -1,4 +1,4 @@
-# app.py (versión para el modelo híbrido con Gradio y FastAPI)
+# app.py (versión final y simplificada con Gradio)
 
 import torch
 import torchvision.transforms as transforms
@@ -6,43 +6,40 @@ from PIL import Image
 import json
 import timm
 import gradio as gr
-from fastapi import FastAPI
 
 # --- 1. Importar la definición del modelo ---
-from VisionEnsembleModel import VisionEnsembleModel # <-- ¡Importante!
+from VisionEnsembleModel import VisionEnsembleModel
 
 # --- 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
+device = torch.device("cpu")
+MODEL_PATH = "model/best_vision_ensemble_model.pth"
 LABELS_PATH = "model/species_labels_map.json"
 NUM_CLASSES = 156
 
 with open(LABELS_PATH) as f:
     labels_map = json.load(f)
 
-# --- Instanciamos y cargamos el modelo ensamblado ---
-model = VisionEnsembleModel(num_classes=NUM_CLASSES) # <-- Usamos nuestra clase personalizada
+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 (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])
 ])
 
-# --- 3. Función de Predicción (sin cambios en la lógica) ---
+# --- 3. 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)):
@@ -52,7 +49,7 @@ def predict(image):
         confidences[species_name] = prob
     return confidences
 
-# --- 4. Crear la Interfaz de Gradio (sin cambios) ---
+# --- 4. Crear y Lanzar la Interfaz de Gradio ---
 iface = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="numpy", label="Sube una imagen de tu orquídea"),
@@ -61,6 +58,7 @@ iface = gr.Interface(
     description="Sube una foto de una orquídea y la IA (CNN+ViT) intentará identificar la especie.",
 )
 
-# --- 5. Crear la App FastAPI y Montar Gradio (sin cambios) ---
-app = FastAPI()
-app = gr.mount_gradio_app(app, iface, path="/")
+# Lanzamos la aplicación. 
+# server_name="0.0.0.0" es crucial para que funcione dentro de Docker.
+# server_port=7860 es el puerto estándar que Hugging Face expone.
+iface.launch(server_name="0.0.0.0", server_port=7860)