Update app.py

app.py

@@ -1,107 +1,84 @@
 from huggingface_hub import from_pretrained_fastai
-import gradio as gr
 from fastai.vision.all import *
+import gradio as gr
+import numpy as np
+from PIL import Image
 import torchvision.transforms as transforms
-import torchvision.transforms as transforms
-from fastai.basics import *
-from fastai.vision import models
-from fastai.vision.all import *
-from fastai.metrics import *
-from fastai.data.all import *
-from fastai.callback import *
+from albumentations import (
+    Compose, GridDistortion, HorizontalFlip, Rotate
+)
 from pathlib import Path
-import random
-import PIL
-from fastai.callback.fp16 import AMPMode
+import torch
 
-#Primero definimos todas las funciones, clases y variables que sopn necesarias para que esto funcione
+# ✅ 1. Evita imports repetidos e innecesarios
+# ❌ ya importaste fastai.vision.all que lo incluye todo
+# ❌ ya tienes PIL y transforms más arriba
+
+# ✅ 2. Función de preprocesamiento
 device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+
 def transform_image(image):
-    my_transforms = transforms.Compose([transforms.ToTensor(),
-                                        transforms.Normalize(
-                                            [0.485, 0.456, 0.406],
-                                            [0.229, 0.224, 0.225])])
-    image_aux = image
-    return my_transforms(image_aux).unsqueeze(0).to(device)
+    preprocess = transforms.Compose([
+        transforms.ToTensor(),
+        transforms.Normalize([0.485, 0.456, 0.406],
+                             [0.229, 0.224, 0.225])
+    ])
+    return preprocess(image).unsqueeze(0).to(device)
+
+# ✅ 3. Funciones y clases necesarias para cargar el modelo
+def get_y_fn(x):
+    return Path(str(x).replace("Images", "Labels").replace("color", "gt").replace(".jpg", ".png"))
 
 class TargetMaskConvertTransform(ItemTransform):
-    def __init__(self):
-        pass
     def encodes(self, x):
-        img,mask = x
-
-        #Convert to array
+        img, mask = x
         mask = np.array(mask)
-
-        mask[(mask!=255) & (mask!=150) & (mask!=76) & (mask!=74) & (mask!=29) & (mask!=25)]=0
-        mask[mask==255]=1
-        mask[mask==150]=2
-        mask[mask==76]=4
-        mask[mask==74]=4
-        mask[mask==29]=3
-        mask[mask==25]=3
-
-        # Back to PILMask
-        mask = PILMask.create(mask)
-        return img, mask
-
-from albumentations import (
-    Compose,
-    OneOf,
-    ElasticTransform,
-    GridDistortion,
-    OpticalDistortion,
-    HorizontalFlip,
-    Rotate,
-    Transpose,
-    CLAHE,
-    ShiftScaleRotate
-)
-
-def get_y_fn (x):
-    return Path(str(x).replace("Images","Labels").replace("color","gt").replace(".jpg",".png"))
+        mask[(mask!=255) & (mask!=150) & (mask!=76) & (mask!=74) & (mask!=29) & (mask!=25)] = 0
+        mask[mask==255] = 1
+        mask[mask==150] = 2
+        mask[(mask==76) | (mask==74)] = 4
+        mask[(mask==29) | (mask==25)] = 3
+        return img, PILMask.create(mask)
 
 class SegmentationAlbumentationsTransform(ItemTransform):
     split_idx = 0
-
-    def __init__(self, aug):
-        self.aug = aug
-
+    def __init__(self, aug): self.aug = aug
     def encodes(self, x):
-        img,mask = x
+        img, mask = x
         aug = self.aug(image=np.array(img), mask=np.array(mask))
         return PILImage.create(aug["image"]), PILMask.create(aug["mask"])
 
-#Cargamos el modelo
+# ✅ 4. Carga del modelo desde el hub
 repo_id = "PablitoGil14/AP-Practica3"
 learn = from_pretrained_fastai(repo_id)
-model = learn.model
-model = model.cpu()
-
+model = learn.model.cpu()
 
-# Definimos una función que se encarga de llevar a cabo las predicciones
-def predict(img_ruta):
-    # img = PIL.Image.open(img_ruta) #esto si el parámetro de entrada es una ruta a una imagen
-    # img = img_ruta # esto si el parámetro de entrada es una imagen
-    img = PIL.Image.fromarray(img_ruta)
-    image = transforms.Resize((480,640))(img)
-    tensor = transform_image(image=image)
+# ✅ 5. Función de predicción
+def predict(img_input):
+    image = Image.fromarray(img_input).resize((640, 480))
+    tensor = transform_image(image)
     model.to(device)
     with torch.no_grad():
-      outputs = model(tensor)
-    
-    outputs = torch.argmax(outputs,1)
-    mask = np.array(outputs.cpu())
-    mask[mask==1]=255
-    mask[mask==2]=150
-    mask[mask==3]=29
-    mask[mask==4]=74
-    mask = np.reshape(mask,(480,640))
-    return Image.fromarray(mask.astype('uint8'))
+        output = model(tensor)
+    pred = torch.argmax(output, dim=1).squeeze().cpu().numpy()
+
+    # Recolorear la máscara
+    colored = np.zeros_like(pred, dtype=np.uint8)
+    colored[pred == 1] = 255
+    colored[pred == 2] = 150
+    colored[pred == 3] = 29
+    colored[pred == 4] = 74
+    return Image.fromarray(colored)
+
+# ✅ 6. Interfaz Gradio moderna (gr.Image en lugar de .inputs.Image)
+demo = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="numpy", label="Sube una imagen", shape=(480, 640)),
+    outputs=gr.Image(type="pil", label="Máscara generada"),
+    examples=["color_61.jpg", "color_62.jpg"],
+    title="Segmentador de Viñedos",
+    description="Sube una imagen y este modelo segmentará racimos de uva, hojas, madera y postes."
+)
 
-    
-    #img = PILImage.create(img) #igual hay que usar esto en vez de PIL.Image.open
-    
-# Creamos la interfaz y la lanzamos. 
-gr.Interface(fn=predict, inputs=gr.inputs.Image(shape=(480, 640)), outputs=gr.inputs.Image(shape=(480, 640)), examples=['color_61.jpg','color_62.jpg']).launch(share=False)
+demo.launch()