app.py

from fastapi import FastAPI, File, UploadFile
import numpy as np
from PIL import Image
import io
import cv2
from datasets import load_dataset

app = FastAPI()

# Cargar el PlantVillage dataset predefinido
dataset = load_dataset("susnato/plant_disease_detection_processed")

# Aquí puedes entrenar un modelo o usar uno preentrenado. Para simplificar, vamos a usar el dataset solo para mostrar ejemplos.
# Por ejemplo, podemos ver algunas imágenes del dataset, pero en producción deberías tener un modelo entrenado.
train_data = dataset["train"]

@app.post("/detect_disease/")
async def detect_disease(file: UploadFile = File(...)):
    # Leer imagen cargada
    image_bytes = await file.read()
    image = Image.open(io.BytesIO(image_bytes))
    img_np = np.array(image)

    # Convertir la imagen a escala de grises
    gray = cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY)
    edges = cv2.Canny(gray, 100, 200)

    # Aquí realizarías la predicción usando tu modelo, en lugar de solo mostrar bordes.
    # Simularemos un diagnóstico simple usando el promedio de los bordes para ilustrar la idea.
    disease_detected = "Enfermedad detectada" if np.mean(edges) > 50 else "Saludable"

    # Visualización de la primera imagen del dataset de ejemplo
    example_image = train_data[0]['image']  # Imagen del dataset para ejemplo
    example_label = train_data[0]['label']  # Etiqueta de la enfermedad de la imagen de ejemplo

    return {
        "diagnosis": disease_detected,
        "example_image": example_image,
        "example_label": example_label
    }