Update app.py

app.py

@@ -1,20 +1,76 @@
-from huggingface_hub import from_pretrained_fastai
+import numpy as np
+from PIL import Image as PILImage
 import gradio as gr
 from fastai.vision.all import *
+from huggingface_hub import from_pretrained_fastai
+
+# Función auxiliar para convertir las selecciones del menú en una imagen
+def menu_to_image(selected_cells, selected_year, selected_inclinacion):
+    # Dimensiones de la matriz de la imagen
+    m, n = 20, 18
+    image_matrix = np.zeros((n, m, 3), dtype=np.uint8)
+
+    # Asignar valores a las celdas seleccionadas
+    for col, row in selected_cells:
+        image_matrix[n - row, ord(col) - ord("A")] = [255, 255, 255]  # Blanco
+
+    # Escalar la columna "AÑO" y asignar valores de gris
+    ano_scaled = (selected_year - 2016) / (2019 - 2016)
+    grey_intensity_ano = int(ano_scaled * (255 - 50) + 50)
+    image_matrix[:, -7:-5] = [grey_intensity_ano, grey_intensity_ano, grey_intensity_ano]
 
-repo_id = "ignaciobfp/moonboard_difficulty"
+    # Escalar la columna "INCLINACION" y asignar valores de gris
+    inclinacion_scaled = (selected_inclinacion - 25) / (40 - 25)
+    grey_intensity_inclinacion = int(inclinacion_scaled * (100) + 100)
+    image_matrix[:, -3:-1] = [grey_intensity_inclinacion, grey_intensity_inclinacion, grey_intensity_inclinacion]
 
+    # Convertir la matriz numpy a imagen PIL
+    image_pil = PILImage.fromarray(image_matrix, 'RGB')
+
+    # Redimensionar al triple del tamaño resultante sin suavizar
+    new_size = (image_pil.width * 3, image_pil.height * 3)
+    resized_image_pil = image_pil.resize(new_size, resample=PILImage.NEAREST)
+
+    return resized_image_pil
+
+# Cargar el modelo preentrenado
+repo_id = "ignaciobfp/moonboard"
 learner = from_pretrained_fastai(repo_id)
 labels = learner.dls.vocab
 
-# Definimos una función que se encarga de llevar a cabo las predicciones
-def predict(img):
-    #img = PILImage.create(img)
-    pred, pred_idx, probs = learner.predict(img)
-    return {labels[i]: float(probs[i]) for i in range(len(labels))}
+# Función para realizar predicciones
+def predict(img, selected_cells, selected_year, selected_inclinacion):
+    if isinstance(img, gr.Image):
+        img_array = np.array(img)
+    else:
+        img_array = np.array(gr.Image.from_file(img))
+
+    # Generar imagen a partir de las selecciones del menú
+    menu_image = menu_to_image(selected_cells, selected_year, selected_inclinacion)
+
+    # Realizar la predicción en la imagen generada por el menú
+    pred, pred_idx, probs = learner.predict(np.array(menu_image))
+    
+    return {
+        "Predictions": {labels[i]: float(probs[i]) for i in range(len(labels))},
+        "Menu Image": gr.Image(menu_image)
+    }
 
-# Lista de imágenes de ejemplo
-example_images = ['easy1.jpg', 'easy2.jpg', 'easy3.jpg', 'hard1.jpg', 'hard2.jpg', 'hard3.jpg', 'med1.jpg', 'med2.jpg', 'med3.jpg']
+# Crear las opciones para el menú emergente
+columns = list("ABCDEFGHIJK")
+rows = list(range(1, 19))
+cell_options = [(col, row) for col in columns for row in rows]
 
-# Creamos la interfaz y la lanzamos.
-gr.Interface(fn=predict, inputs=gr.inputs.Image(shape=(128, 128)), outputs=gr.outputs.Label(num_top_classes=3), examples=example_images).launch(share=False)
+# Crear la interfaz y lanzarla
+iface = gr.Interface(
+    fn=predict,
+    inputs=[
+        gr.Image(shape=(128, 128)),  # Permitir subir una imagen o usar ejemplos
+        gr.MultiCheckbox(cell_options, label="Selecciona las celdas:"),
+        gr.Dropdown(list(range(2016, 2020)), label="Selecciona el año:"),
+        gr.Dropdown(list(range(25, 41)), label="Selecciona la inclinación:")
+    ],
+    outputs=[gr.Label(num_top_classes=3), gr.Image()],
+    live=True
+)
+iface.launch(share=False)