actualizacion de modelo y diccionario

app.py

@@ -11,88 +11,98 @@ import matplotlib.pyplot as plt
 from tensorflow.keras.models import Sequential
 from tensorflow.keras.layers import Dense, BatchNormalization, Activation, Dropout
 
-# Cargar el modelo preentrenado y otros recursos necesarios
+# Ruta al modelo de clasificación facial preentrenado
 model_path = './face_classifier_model.h5'
-# Cargar el modelo VGG-Face
+# Ruta al modelo VGG-Face
 vgg_face_path = './vgg_face_model.h5'
+
+# Cargar el modelo VGG-Face preentrenado
 vgg_face = load_model(vgg_face_path)
 
+# Cargar el detector de rostros de Dlib basado en CNN
 dnnFaceDetector = dlib.cnn_face_detection_model_v1("mmod_human_face_detector.dat")
 
-# Cargar el modelo sin compilar
+# Cargar el modelo de clasificación sin compilar
 classifier_model = tf.keras.models.load_model(model_path, compile=False)
 
-# Compilar el modelo manualmente con los mismos parámetros que se usó en  Colab
+# Compilar el modelo de clasificación con los parámetros adecuados
 classifier_model.compile(loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                          optimizer='nadam',
                          metrics=['accuracy'])
 
-person_rep={0: 'DenzelWashington',
- 1: 'AngelinaJolie',
- 2: 'KateWinslet',
- 3: 'HughJackman',
- 4: 'ScarlettJohansson',
- 5: 'JenniferLawrence',
- 6: 'NicoleKidman',
- 7: 'SandraBullock',
- 8: 'LeonardoDiCaprio',
- 9: 'MeganFox',
- 10: 'WillSmith',
- 11: 'TomCruise',
- 12: 'BradPitt',
- 13: 'NataliePortman',
- 14: 'TomHanks',
- 15: 'JohnnyDepp',
- 16: 'RobertDowneyJr'}
-
+# Diccionario que asigna los índices de las clases a nombres de personas
+person_rep = {0: 'NataliePortman',
+ 1: 'HughJackman',
+ 2: 'JohnnyDepp',
+ 3: 'TomCruise',
+ 4: 'JenniferLawrence',
+ 5: 'MeganFox',
+ 6: 'WillSmith',
+ 7: 'TomHanks',
+ 8: 'KateWinslet',
+ 9: 'ScarlettJohansson',
+ 10: 'DenzelWashington',
+ 11: 'LeonardoDiCaprio',
+ 12: 'RobertDowneyJr',
+ 13: 'NicoleKidman',
+ 14: 'SandraBullock',
+ 15: 'BradPitt',
+ 16: 'AngelinaJolie'}
+
+# Función para predecir la clase de una imagen
 def predict_image(image_path):
-    img = load_img(image_path, target_size=(224, 224))
-    img = img_to_array(img)
-    img = np.expand_dims(img, axis=0)
-    img = preprocess_input(img)
+    img = load_img(image_path, target_size=(224, 224))  # Cargar la imagen y redimensionarla
+    img = img_to_array(img)  # Convertir la imagen a un array de numpy
+    img = np.expand_dims(img, axis=0)  # Añadir una dimensión extra para el batch
+    img = preprocess_input(img)  # Preprocesar la imagen para VGG-Face
 
-    img_encode = vgg_face(img)
-    predictions = classifier_model.predict(img_encode)
+    img_encode = vgg_face(img)  # Obtener los embeddings de la imagen
+    predictions = classifier_model.predict(img_encode)  # Realizar la predicción
     return predictions
 
-# Interfaz de Streamlit
+# Interfaz de usuario con Streamlit
 st.title("Reconocimiento Facial")
 st.write("Sube una imagen y el modelo intentará identificar el rostro.")
 
+# Subida de archivo
 uploaded_file = st.file_uploader("Elige una imagen...", type="jpg")
 
+# Si se sube un archivo
 if uploaded_file is not None:
-    file_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)
-    img = cv2.imdecode(file_bytes, 1)
+    file_bytes = np.asarray(bytearray(uploaded_file.read()), dtype=np.uint8)  # Leer la imagen subida como un array de bytes
+    img = cv2.imdecode(file_bytes, 1)  # Decodificar la imagen
 
-    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
-    rects = dnnFaceDetector(gray, 1)
+    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # Convertir la imagen a escala de grises
+    rects = dnnFaceDetector(gray, 1)  # Detectar rostros en la imagen
 
+    # Recorrer todos los rostros detectados
     for (i, rect) in enumerate(rects):
-        left = rect.rect.left()  # x1
-        top = rect.rect.top()  # y1
-        right = rect.rect.right()  # x2
-        bottom = rect.rect.bottom()  # y2
+        left = rect.rect.left()  # Coordenada x1
+        top = rect.rect.top()  # Coordenada y1
+        right = rect.rect.right()  # Coordenada x2
+        bottom = rect.rect.bottom()  # Coordenada y2
         width = right - left
         height = bottom - top
-        img_crop = img[top:top + height, left:left + width]
-        cv2.imwrite('crop_img.jpg', img_crop)
-
-        crop_img = load_img('crop_img.jpg', target_size=(224, 224))
-        crop_img = img_to_array(crop_img)
-        crop_img = np.expand_dims(crop_img, axis=0)
-        crop_img = preprocess_input(crop_img)
-        img_encode = vgg_face(crop_img)
-
-        embed = tf.keras.backend.eval(img_encode)
-        person = classifier_model.predict(embed)
-        confidence = np.max(person)
-        name = person_rep[np.argmax(person)]
-        os.remove('crop_img.jpg')
-
+        img_crop = img[top:top + height, left:left + width]  # Recortar el rostro de la imagen
+        cv2.imwrite('crop_img.jpg', img_crop)  # Guardar el rostro recortado temporalmente
+
+        crop_img = load_img('crop_img.jpg', target_size=(224, 224))  # Cargar y redimensionar el rostro recortado
+        crop_img = img_to_array(crop_img)  # Convertir el rostro a un array de numpy
+        crop_img = np.expand_dims(crop_img, axis=0)  # Añadir una dimensión extra para el batch
+        crop_img = preprocess_input(crop_img)  # Preprocesar la imagen para VGG-Face
+        img_encode = vgg_face(crop_img)  # Obtener los embeddings del rostro
+
+        embed = tf.keras.backend.eval(img_encode)  # Evaluar los embeddings
+        person = classifier_model.predict(embed)  # Realizar la predicción
+        confidence = np.max(person)  # Obtener la confianza de la predicción
+        name = person_rep[np.argmax(person)]  # Obtener el nombre de la persona predicha
+        os.remove('crop_img.jpg')  # Eliminar la imagen recortada temporalmente
+
+        # Si la confianza es mayor a 0.9, dibujar el cuadro y el nombre en la imagen original
         if confidence > 0.9:
             cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2)
             img = cv2.putText(img, name, (left, top - 10), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 255), 2, cv2.LINE_AA)
             img = cv2.putText(img, str(confidence), (left, bottom + 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2, cv2.LINE_AA)
 
+    # Mostrar la imagen procesada en la interfaz de Streamlit
     st.image(cv2.cvtColor(img, cv2.COLOR_BGR2RGB), caption='Imagen procesada', use_column_width=True)

face_classifier_model.h5

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:4fd6ffcd4f98f5074cad8adcaa7e7897885f65ff5f446ab368d834098d3639a1
+oid sha256:4cb54ed3e17fb9d34f6320352e883e6222a8f4cbe173e96c10fa263e48083eb2
 size 3219008

vgg_face_model.h5

@@ -1,3 +0,0 @@
-version https://git-lfs.github.com/spec/v1
-oid sha256:98a199deb2628a8f0c39b4142a338248b104e1749225b6963c1c7b41fbe20991
-size 580104848