Upload 5 files

Dockerfile

@@ -1,14 +1,12 @@
 # Dockerfile
 
 # Usar una imagen base oficial de Python.
-# 'slim' es una versión ligera, ideal para producción.
 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.
-# Si los requerimientos no cambian, esta capa no se reconstruirá.
 COPY requirements.txt .
 
 # Instalar las dependencias de Python
@@ -18,10 +16,8 @@ RUN pip install --no-cache-dir -r requirements.txt
 # Esto incluye app.py y tu modelo .h5
 COPY . .
 
-# Exponer el puerto en el que se ejecutará la aplicación.
-# Hugging Face Spaces espera que las apps escuchen en el puerto 7860.
+# 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.
-# --host 0.0.0.0 es crucial para que la app sea accesible desde fuera del contenedor.
 CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -9,24 +9,24 @@ from tensorflow.keras.models import load_model
 
 # Inicializar la aplicación FastAPI
 app = FastAPI(
-    title="API de Clasificación de TBC",
-    description="Una API para clasificar radiografías de tórax como 'normal' o 'tbc' usando un modelo CNN.",
-    version="1.0"
+    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 al iniciar la aplicación para que esté listo para las predicciones.
-# Esto es mucho más eficiente que cargarlo en cada solicitud.
+# Cargar el modelo .h5 mejorado al iniciar la aplicación.
 try:
-    model = load_model('modelo_cnn_tbc.h5')
-    print("Modelo cargado exitosamente.")
+    # 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 modelo
-IMG_HEIGHT = 150
-IMG_WIDTH = 150
+# Definir las constantes del nuevo modelo
+IMG_HEIGHT = 224  # <-- ¡CAMBIO IMPORTANTE!
+IMG_WIDTH = 224   # <-- ¡CAMBIO IMPORTANTE!
 CLASS_NAMES = ["normal", "tbc"]
 
 # --- Endpoints de la API ---
@@ -34,7 +34,7 @@ CLASS_NAMES = ["normal", "tbc"]
 @app.get("/")
 def read_root():
     """Endpoint raíz para verificar que la API está funcionando."""
-    return {"message": "Bienvenido a la API de Clasificación de TBC. Usa el endpoint /predict/ para hacer una predicción."}
+    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(...)):
@@ -56,18 +56,18 @@ async def predict(file: UploadFile = File(...)):
         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
+    # 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, 150, 150, 3])
+    # 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] # La salida de la sigmoide
+    score = prediction[0][0]
 
     # 5. Interpretar el resultado
     if score > 0.5:

modelo_cnn_tbc_mejorado.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:a40c8162063a472172d00f480684013773a74322057b39fa539b6ab313e51c4e
+size 11540584