Upload 5 files

Dockerfile

@@ -1,16 +1,23 @@
-# Usa una imagen base de Python
-FROM python:3.9
-# Establece el directorio de trabajo
-WORKDIR /code
-
-# Copia los archivos necesarios al contenedor
-COPY ./requirements.txt /code/requirements.txt
-RUN pip install --no-cache-dir -r /code/requirements.txt
-RUN pip install fastapi uvicorn
-
-COPY . .
-
-RUN chmod -R 777 /code
-
-# Comando para ejecutar la aplicación
+# Dockerfile
+
+# Usar una imagen base oficial de Python.
+FROM python:3.9-slim
+
+# Establecer el directorio de trabajo dentro del contenedor
+WORKDIR /app
+
+# Copiar el archivo de requerimientos primero para aprovechar el cache de Docker.
+COPY requirements.txt .
+
+# Instalar las dependencias de Python
+RUN pip install --no-cache-dir -r requirements.txt
+
+# Copiar el resto de los archivos de la aplicación al directorio de trabajo.
+# Esto incluye app.py y tu modelo .h5
+COPY . .
+
+# Exponer el puerto en el que se ejecutará la aplicación (7860 para Hugging Face).
+EXPOSE 7860
+
+# El comando para iniciar la aplicación cuando el contenedor se ejecute.
 CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,45 +1,85 @@
-import numpy as np
-np.random.seed(0)
-import pickle
-from sklearn.compose import ColumnTransformer
-from sklearn.datasets import fetch_openml
-from sklearn.pipeline import Pipeline
-from sklearn.impute import SimpleImputer
-from sklearn.preprocessing import StandardScaler, OneHotEncoder
-from sklearn.linear_model import LogisticRegression
-from sklearn.model_selection import train_test_split
-
-from sklearn import tree
-
-from fastapi import FastAPI, HTTPException
-from fastapi.responses import HTMLResponse
-from pydantic import BaseModel
-from typing import List
-
-class InputData(BaseModel):
-    data: List[float]
-    
-# Inicializar la aplicación FastAPI
-app = FastAPI()
-
-def build_model():
-  with open('miarbol.pkl', 'rb') as fid:
-    miarbol = pickle.load(fid)  
-  return miarbol
-   
-miarbol = build_model()
-
-# Ruta de predicción
-@app.post("/predict/")
-async def predict(data: InputData):
-    print(f"Data: {data}")
-    global miarbol
-    try:
-        # Convertir la lista de entrada a un array de NumPy para la predicción
-        input_data = np.array(data.data).reshape(
-            1, -1
-        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
-        prediction = miarbol.predict(input_data).round()
-        return {"prediction": prediction.tolist()}
-    except Exception as e:
-        raise HTTPException(status_code=500, detail=str(e))
+# app.py
+
+import io
+import numpy as np
+from PIL import Image
+from fastapi import FastAPI, File, UploadFile
+from fastapi.responses import JSONResponse
+from tensorflow.keras.models import load_model
+
+# Inicializar la aplicación FastAPI
+app = FastAPI(
+    title="API de Clasificación de TBC (Mejorado)",
+    description="Una API para clasificar radiografías de tórax como 'normal' o 'tbc' usando un modelo CNN con Transfer Learning (MobileNetV2).",
+    version="2.0"
+)
+
+# --- Carga del Modelo ---
+# Cargar el modelo .h5 mejorado al iniciar la aplicación.
+try:
+    # Asegúrate de que el nombre del archivo coincida con el que guardaste
+    model = load_model('modelo_cnn_tbc_mejorado.h5') 
+    print("Modelo mejorado cargado exitosamente.")
+except Exception as e:
+    print(f"Error al cargar el modelo: {e}")
+    model = None
+
+# Definir las constantes del nuevo modelo
+IMG_HEIGHT = 224  # <-- ¡CAMBIO IMPORTANTE!
+IMG_WIDTH = 224   # <-- ¡CAMBIO IMPORTANTE!
+CLASS_NAMES = ["normal", "tbc"]
+
+# --- Endpoints de la API ---
+
+@app.get("/")
+def read_root():
+    """Endpoint raíz para verificar que la API está funcionando."""
+    return {"message": "Bienvenido a la API de Clasificación de TBC v2.0. Usa el endpoint /predict/."}
+
+@app.post("/predict/")
+async def predict(file: UploadFile = File(...)):
+    """
+    Endpoint para predecir si una radiografía es 'normal' o 'tbc'.
+    - Acepta un archivo de imagen (JPG, PNG, etc.).
+    - Devuelve la clase predicha y la confianza de la predicción.
+    """
+    if not model:
+        return JSONResponse(status_code=500, content={"error": "El modelo no está cargado. Revisa los logs del servidor."})
+
+    # 1. Leer el contenido del archivo subido en memoria
+    contents = await file.read()
+    
+    # 2. Convertir los bytes en una imagen PIL
+    try:
+        image = Image.open(io.BytesIO(contents)).convert('RGB')
+    except Exception as e:
+        return JSONResponse(status_code=400, content={"error": f"Archivo inválido. No se pudo procesar la imagen: {e}"})
+
+    # 3. Preprocesar la imagen para que coincida con la entrada del modelo
+    # Redimensionar la imagen al tamaño esperado por MobileNetV2
+    image = image.resize((IMG_WIDTH, IMG_HEIGHT))
+    # Convertir la imagen a un array de numpy
+    img_array = np.array(image)
+    # Normalizar los valores de los píxeles (de 0-255 a 0-1)
+    img_array = img_array / 255.0
+    # Añadir una dimensión de batch (el modelo espera una forma de [1, 224, 224, 3])
+    image_batch = np.expand_dims(img_array, axis=0)
+
+    # 4. Realizar la predicción
+    prediction = model.predict(image_batch)
+    score = prediction[0][0]
+
+    # 5. Interpretar el resultado
+    if score > 0.5:
+        predicted_class = CLASS_NAMES[1]  # 'tbc'
+        confidence = score
+    else:
+        predicted_class = CLASS_NAMES[0]  # 'normal'
+        confidence = 1 - score
+
+    # 6. Devolver el resultado en formato JSON
+    return {
+        "filename": file.filename,
+        "prediction": predicted_class,
+        "confidence": float(confidence)
+    }

modelo_cnn_tbc_mejorado.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2f22b5f0b0e236b20584eb2156368d5e8a29276ab2221a025887fae55f0f0c59
+size 11540560

requirements.txt

@@ -1,6 +1,7 @@
-fastapi
-numpy
-setuptools
-scikit-learn
-pydantic
-uvicorn
+# requirements.txt
+fastapi
+uvicorn
+tensorflow-cpu
+numpy
+pillow
+python-multipart