Update app.py

app.py

@@ -5,14 +5,14 @@ from tensorflow.keras.models import load_model
 from tensorflow.keras.applications.mobilenet_v2 import preprocess_input
 import os
 
-# Rutas relativas dentro del *Space* en Hugging Face
-code_path = os.getcwd()  # Obtiene el directorio actual donde está el script
+# Definir rutas
+code_path = '/app'  # Usando ruta del contenedor Docker
 models_path = os.path.join(code_path, 'models')
 haarcascade_path = os.path.join(code_path, 'haarcascades', 'haarcascade_frontalface_default.xml')
 
 # Verificar si el archivo Haar Cascade existe
 if not os.path.exists(haarcascade_path):
-    print(f'No se encontró el archivo Haar Cascade en {haarcascade_path}. Asegúrate de subirlo correctamente.')
+    print(f'No se encontró el archivo Haar Cascade en {haarcascade_path}. Asegúrate de descargarlo y guardarlo correctamente.')
     exit()
 
 # Cargar el clasificador Haar Cascade para detección de rostros
@@ -27,24 +27,39 @@ if not os.path.exists(modelo_guardado):
 modelo = load_model(modelo_guardado)
 print('Modelo cargado exitosamente.')
 
-# Función para realizar la predicción
-def estimar_edad(image):
-    # Convertir imagen a formato adecuado
-    rostro_resized = cv2.resize(image, (128, 128))
-    rostro_rgb = cv2.cvtColor(rostro_resized, cv2.COLOR_BGR2RGB)
-    rostro_expanded = np.expand_dims(rostro_rgb, axis=0)
-    rostro_preprocessed = preprocess_input(rostro_expanded)
-
-    # Realizar la predicción de edad
-    edad_predicha = modelo.predict(rostro_preprocessed)[0][0]
-    edad_predicha = round(edad_predicha, 2)
-    return edad_predicha
-
-# Crear interfaz con Gradio
-interface = gr.Interface(fn=estimar_edad,
-                         inputs=gr.inputs.Image(type="numpy"),  # Entrada de imagen
-                         outputs="text",  # Salida del texto de la edad
-                         live=True)
-
-# Lanzar la interfaz
-interface.launch()
+# Función para procesar la imagen y predecir la edad
+def estimar_edad(imagen):
+    # Convertir la imagen a escala de grises para la detección de rostros
+    gray = cv2.cvtColor(imagen, cv2.COLOR_BGR2GRAY)
+
+    # Detectar rostros en la imagen
+    rostros = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))
+
+    edades = []
+
+    for (x, y, w, h) in rostros:
+        # Extraer la región del rostro
+        rostro = imagen[y:y+h, x:x+w]
+
+        # Preprocesar la imagen del rostro
+        rostro_rgb = cv2.cvtColor(rostro, cv2.COLOR_BGR2RGB)
+        rostro_resized = cv2.resize(rostro_rgb, (128, 128))
+        rostro_preprocessed = preprocess_input(rostro_resized)
+        rostro_expanded = np.expand_dims(rostro_preprocessed, axis=0)
+
+        # Realizar la predicción de edad
+        edad_predicha = modelo.predict(rostro_expanded)[0][0]
+        edad_predicha = round(edad_predicha, 2)
+
+        edades.append(edad_predicha)
+
+    return edades
+
+# Crear la interfaz con Gradio
+iface = gr.Interface(fn=estimar_edad, 
+                     inputs=gr.inputs.Image(type="numpy", label="Sube una imagen"), 
+                     outputs="text")
+
+# Lanzar la interfaz de Gradio
+iface.launch()
+