Update app.py

app.py

@@ -1,11 +1,12 @@
 from fastapi import FastAPI, UploadFile, File
+from pydantic import BaseModel
 from huggingface_hub import hf_hub_download
 from keras.models import load_model
-from tensorflow.keras.preprocessing import image
 from tensorflow.keras.applications.inception_v3 import preprocess_input
 import numpy as np
 from PIL import Image
 import io
+import base64
 
 app = FastAPI()
 
@@ -27,30 +28,58 @@ class_names = ['acanthoica', 'akashiwo', 'alexandrium', 'amoeba', 'amphidinium',
 model_path = hf_hub_download(repo_id="Daniel00611/InceptionV3_72", filename="InceptionV3_72.keras")
 model = load_model(model_path)
 
-def preprocess_image(image_file, target_size=(299, 299)):
-    # Convertir el archivo a BytesIO
-    img_bytes = image_file.read()  # Leer el archivo como bytes
-    img = Image.open(io.BytesIO(img_bytes))  # Abrir la imagen con PIL
-    img = img.resize(target_size)  # Redimensionar la imagen al tamaño objetivo
-    img_array = np.array(img)  # Convertir la imagen a un array de NumPy
-    img_array = np.expand_dims(img_array, axis=0)  # Añadir dimensión extra para lote
+def preprocess_image(img, target_size=(299, 299)):
+    img = img.resize(target_size)  # Redimensionar la imagen
+    img_array = np.array(img)  # Convertir a array de NumPy
+    img_array = np.expand_dims(img_array, axis=0)  # Expandir dimensión para lote
+    img_array = preprocess_input(img_array)  # Preprocesar la imagen
     return img_array
-    
+
+# Modelo para recibir la imagen en formato Base64
+class ImageBase64(BaseModel):
+    image_base64: str
+
+# Ruta para imágenes subidas como archivo
 @app.post("/predict/")
 async def predict(file: UploadFile = File(...)):
     try:
-    # Procesar la imagen
-        img_array = preprocess_image(file.file)
+        # Leer la imagen subida
+        img = Image.open(io.BytesIO(await file.read()))
+        img_array = preprocess_image(img)
         
-        # Realizar la predicción
+        # Realizar predicción
         predictions = model.predict(img_array)[0]
         
         # Obtener el top 10 de predicciones
         top_10_indices = predictions.argsort()[-10:][::-1]
         top_10_classes = [class_names[i] for i in top_10_indices]
         top_10_probabilities = predictions[top_10_indices]
+        
+        # Formar respuesta en formato JSON
+        result = [{"class": top_10_classes[i], "probability": float(top_10_probabilities[i])} for i in range(10)]
+        return {"predictions": result}
     
-        # Formar la respuesta en formato JSON
+    except Exception as e:
+        return {"error": str(e)}
+
+# Ruta para imágenes en formato Base64
+@app.post("/predict_base64/")
+async def predict_base64(image_data: ImageBase64):
+    try:
+        # Decodificar la imagen Base64
+        image_bytes = base64.b64decode(image_data.image_base64)
+        img = Image.open(io.BytesIO(image_bytes))
+        img_array = preprocess_image(img)
+        
+        # Realizar predicción
+        predictions = model.predict(img_array)[0]
+        
+        # Obtener el top 10 de predicciones
+        top_10_indices = predictions.argsort()[-10:][::-1]
+        top_10_classes = [class_names[i] for i in top_10_indices]
+        top_10_probabilities = predictions[top_10_indices]
+        
+        # Formar respuesta en formato JSON
         result = [{"class": top_10_classes[i], "probability": float(top_10_probabilities[i])} for i in range(10)]
         return {"predictions": result}