Hugging Face's logo

Spaces:
milcio79
/
RegressionVibration
Sleeping

App Files Community
RegressionVibration
File size: 2,971 Bytes
99ea5b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
a729c4d
99ea5b3
 
 
a729c4d
99ea5b3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
# -*- coding: utf-8 -*-
"""Regression Use_model_cloud.ipynb

Automatically generated by Colab.

Original file is located at
    https://colab.research.google.com/drive/1hsRGZjDFbBm5WHW6gYOrHmx7IucW3BOc
"""

import os
import requests
import joblib
import gradio as gr
import numpy as np
import matplotlib.pyplot as plt

"""# **Web/API deployment**

## **Load the Model**
"""

saved_model_path = "files/prueba_regression.joblib"

os.path.getsize(saved_model_path)

saved_model = joblib.load("files/prueba_regression.joblib")

saved_model

def predict(input1, input2):
    # Asume que el modelo espera un array 2D de caracter铆sticas
    input_array = np.array([[input1, input2]])
    predictions = saved_model.predict(input_array)

    output1 = predictions[0, 0]  # Primer valor predicho
    output2 = predictions[0, 1]  # Segundo valor predicho
    output3 = predictions[0, 2]  # Tercer valor predicho
    output4 = predictions[0, 3]  # Cuarto valor predicho
    output5 = predictions[0, 4]  # Quinto valor predicho
    output6 = predictions[0, 5]  # Sexto valor predicho

    return output1, output2, output3, output4, output5, output6

# Crear la interfaz de Gradio
iface = gr.Interface(
    fn=predict,
    inputs=[gr.Number(label="RPM"), gr.Number(label="Horas de Operaci贸n")],
    outputs=[
        gr.Number(label="Aceleraci贸n Lado del Acople"),
        gr.Number(label="Velocidad Lado del Acople"),
        gr.Number(label="Envolvente Lado del Acople"),
        gr.Number(label="Aceleraci贸n Lado del Impulsor"),
        gr.Number(label="Velocidad Lado del Impulsor"),
        gr.Number(label="Envolvente Lado del Impulsor")
    ],
    title="Predicci贸n de Valores de Vibraci贸n",
    description="Ingrese los valores de RPM y Horas de Operaci贸n para predecir los valores de vibraci贸n."
)

def predict(input1, input2):
    input_array = np.array([[input1, input2]])
    predictions = saved_model.predict(input_array)

   # Configuraci贸n global para aumentar el tama帽o de la fuente
    plt.rcParams.update({'font.size': 14})

   # Crear la gr谩fica
    plt.figure(figsize=(16, 12))
    labels = ['Ac Lado Acople', 'Vel Lado Acople', 'Env Lado Acople',
              'Ac Lado Impulsor', 'Vel Lado Impulsor', 'Env Lado Impulsor']
    plt.bar(labels, predictions[0], color='blue')
    plt.xticks(rotation=30, ha='right')
    plt.ylabel('Valores de Vibraci贸n')
    plt.title('Predicciones de Vibraci贸n para RPM y Horas de Operaci贸n')

    # Guardar la gr谩fica en un buffer en formato PNG y usarlo en Gradio
    plt.savefig('output_predictions.png')
    plt.close()

    return 'output_predictions.png'

iface = gr.Interface(
    fn=predict,
    inputs=[gr.Number(label="RPM"), gr.Number(label="Horas de Operaci贸n")],
    outputs="image",
    title="Predicci贸n de Valores de Vibraci贸n",
    description="Ingrese los valores de RPM y Horas de Operaci贸n para ver la gr谩fica de los valores de vibraci贸n predichos."
)

# Lanzar la aplicaci贸n
iface.launch()