app.py

import gradio as gr
import torch
from torchvision import models, transforms
from PIL import Image
import json

# Cargar la configuración
#with open("reconocimiento_facial/config.json") as f:
with open("config.json") as f:
    config = json.load(f)

# Definir las etiquetas de las clases
class_labels = ["Angry", "Disgust", "Fear", "Happy", "Sad", "Surprise", "Neutral"]

# Crear el modelo y ajustar la última capa
model = models.resnet50()
model.fc = torch.nn.Linear(model.fc.in_features, len(class_labels))  # len(class_labels) = 7

# Cargar los pesos del modelo
model.load_state_dict(torch.load("pytorch_model.bin", map_location=torch.device('cpu')))
model.eval()

# Preprocesamiento de imágenes
transform = transforms.Compose([
    transforms.Resize((config["image_size"], config["image_size"])),
    transforms.ToTensor(),
    transforms.Normalize(mean=config["transformations"]["Normalize"]["mean"], std=config["transformations"]["Normalize"]["std"])
])

def predict(image):
    image = transform(image).unsqueeze(0)
    with torch.no_grad():
        output = model(image)
        _, predicted = torch.max(output, 1)
        predicted_class = class_labels[predicted.item()]
    return predicted_class

# Crear la interfaz de Gradio
iface = gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil"),
    outputs=gr.Textbox(label="Predicted Expression"),
    title="Reconocimiento Facial de Expresiones",
    description="Sube una imagen de una cara para clasificar la expresión facial en una de las siete categorías: Enfadado, Disgustado, Miedo, Feliz, Triste, Sorprendido y Neutral."
)

# Ejecutar la interfaz
iface.launch()