app.py

import gradio as gr
import tensorflow as tf
import numpy as np
from tensorflow.keras.preprocessing import image
from huggingface_hub import hf_hub_download
from tensorflow.keras.applications.inception_v3 import preprocess_input
import plotly.graph_objects as go

# Descarga el modelo a tu máquina local
model_path = hf_hub_download(repo_id="franklc/InceptionV3_72", filename="InceptionV3_72.keras")
# Cargar tu modelo de TensorFlow en formato .keras
model = keras.models.load_model(model_path)


# Etiquetas de clase para el modelo de fitoplancton
class_labels = ['acanthoica', 'akashiwo', 'alexandrium', 'amoeba', 'amphidinium', 'amylax', 
                'apedinella', 'asterionellopsis', 'bacillaria', 'bacteriastrum', 'biddulphia', 
                'calciopappus', 'cerataulina', 'ceratium', 'chaetoceros', 'chrysochromulina', 
                'cochlodinium', 'corethron', 'corymbellus', 'coscinodiscus', 'cryptophyta', 
                'cylindrotheca', 'dactyliosolen', 'delphineis', 'dictyocha', 'dinobryon', 
                'dinophysis', 'ditylum', 'emiliania', 'ephemera', 'eucampia', 'euglena', 
                'gonyaulax', 'guinardia', 'gyrodinium', 'hemiaulus', 'heterocapsa', 'karenia', 
                'katodinium', 'kryptoperidinium', 'laboea', 'lauderia', 'leptocylindrus', 
                'licmophora', 'nanoneis', 'odontella', 'ophiaster', 'ostreopsis', 'oxytoxum', 
                'paralia', 'parvicorbicula', 'phaeocystis', 'pleuronema', 'pleurosigma', 
                'polykrikos', 'prorocentrum', 'proterythropsis', 'protoperidinium', 'pseudo-nitzschia', 
                'pseudochattonella', 'pyramimonas', 'rhabdolithes', 'rhizosolenia', 'scrippsiella', 
                'skeletonema', 'stephanopyxis', 'syracosphaera', 'thalassionema', 'thalassiosira', 
                'trichodesmium', 'vicicitus', 'warnowia']

# Función de clasificación de imágenes
def classify_image(img):
    # Preprocesar la imagen
    img = img.resize((299, 299))
    img_array = image.img_to_array(img)
    img_array = np.expand_dims(img_array, axis=0)
    img_array = preprocess_input(img_array)

    # Realizar la predicción
    predictions = model.predict(img_array)[0]

    # Obtener las 10 clases con mayor probabilidad
    top_indices = np.argsort(predictions)[-10:][::-1]
    top_classes = [class_labels[i] for i in top_indices]
    top_probabilities = [predictions[i] * 100 for i in top_indices]

    # Crear un gráfico de barras para los resultados
    fig = go.Figure(data=go.Bar(x=top_probabilities, y=top_classes, orientation='h', marker=dict(color='skyblue')))
    fig.update_layout(
        title="Top 10 Predicciones",
        xaxis_title="Probabilidad (%)",
        yaxis_title="Género de Fitoplancton",
        height=500,
        margin=dict(l=150, r=50, b=50, t=50)
    )

    # Devolver resultados como texto y gráfico
    return {top_classes[i]: f"{top_probabilities[i]:.2f}%" for i in range(10)}, fig

# Configurar la interfaz de Gradio
iface = gr.Interface(
    fn=classify_image, 
    inputs=gr.Image(type="pil"), 
    outputs=[gr.Label(num_top_classes=10), gr.Plot()],
    title="Clasificador de Fitoplancton",
    description="Sube una imagen de fitoplancton para identificar los géneros principales.",
)

iface.launch()