app.py

# app.py
import os
import zipfile
import numpy as np
from PIL import Image, ImageDraw
import gradio as gr
from huggingface_hub import hf_hub_download
from tensorflow.keras.models import load_model
import keras

# -----------------------------
# Configuración del modelo
# -----------------------------
REPO_ID = "nicolasrl/matriculas"       # tu repo en HF
ZIP_FILE = "matriculas_resnetv2.zip"   # archivo zip subido con todo el SavedModel

# -----------------------------
# Función para descargar y cargar modelo
# -----------------------------
def get_model():
    """
    Descarga el modelo en zip desde Hugging Face, lo descomprime
    y lo carga como SavedModel de TensorFlow/Keras.
    """
    tmp_dir = "/tmp/matriculas_resnetv2"
    os.makedirs(tmp_dir, exist_ok=True)

    # Descargar el zip desde HF
    zip_path = hf_hub_download(repo_id=REPO_ID, filename=ZIP_FILE)

    # Descomprimir en carpeta temporal
    with zipfile.ZipFile(zip_path, 'r') as zip_ref:
        zip_ref.extractall(tmp_dir)

    # Habilitar deserialización insegura (si hay Lambda layers)
    keras.config.enable_unsafe_deserialization()

    # Cargar el modelo desde la carpeta descomprimida
    model = load_model(tmp_dir, safe_mode=False)
    return model

# -----------------------------
# Cargar modelo al iniciar app
# -----------------------------
model = get_model()

# -----------------------------
# Función de predicción
# -----------------------------
def predict(img: Image.Image):
    """
    Recibe imagen PIL, realiza inferencia y devuelve imagen
    anotada con la caja y texto con coordenadas.
    """
    pil = img.convert("RGB")
    w, h = pil.size

    # Preprocesamiento igual al usado en entrenamiento
    img_resized = pil.resize((224, 224))
    x = np.array(img_resized).astype("float32") / 255.0
    x = np.expand_dims(x, 0)

    # Inferencia
    pred = model.predict(x)[0]  # [nxmin, nxmax, nymin, nymax]
    nxmin, nxmax, nymin, nymax = pred

    # Convertir coordenadas normalizadas a píxeles
    xmin = int(max(0, nxmin * w))
    xmax = int(min(w, nxmax * w))
    ymin = int(max(0, nymin * h))
    ymax = int(min(h, nymax * h))

    # Dibujar caja
    annotated = pil.copy()
    draw = ImageDraw.Draw(annotated)
    draw.rectangle([xmin, ymin, xmax, ymax], outline="cyan", width=3)

    return annotated, f"{xmin},{ymin},{xmax},{ymax}"

# -----------------------------
# Interfaz Gradio
# -----------------------------
demo = gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil"),
    outputs=[gr.Image(type="pil"), gr.Textbox()],
    title="Detección de matrículas",
    description="Sube una imagen. El modelo devuelve la caja delimitadora (xmin,ymin,xmax,ymax)."
)

# -----------------------------
# Lanzar app
# -----------------------------
if __name__ == "__main__":
    demo.launch(server_name="0.0.0.0", server_port=7860, enable_queue=True)