Update app.py

app.py

@@ -1,68 +1,43 @@
-import streamlit as st
+import gradio as gr
 import requests
-from PIL import Image
-from io import BytesIO
-from transformers import AutoTokenizer, AutoModelForCausalLM
 
-# Configuración de la API
-API_URL = "https://api-inference.huggingface.co/models/riabayonaor/modelo_prediccion_enfermedades_pepinos"
-
-# Cargar el modelo y el tokenizador de BLOOM
-tokenizer = AutoTokenizer.from_pretrained("bigscience/bloom")
-model = AutoModelForCausalLM.from_pretrained("bigscience/bloom")
-
-def query(image_bytes):
-    response = requests.post(API_URL, data=image_bytes)
-    if response.status_code != 200:
-        st.error(f"Error al clasificar la imagen: {response.status_code}")
-        return None
-    return response.json()
-
-def bloom_query(prompt):
-    inputs = tokenizer(prompt, return_tensors="pt")
-    outputs = model.generate(inputs["input_ids"], max_length=500, num_return_sequences=1)
-    response = tokenizer.decode(outputs[0], skip_special_tokens=True)
-    return response
-
-def main():
-    st.set_page_config(page_title="Predicción de Enfermedades en Pepinos")
-    st.title("Predicción de Enfermedades en Pepinos")
-    st.write("Sube una foto de una planta de pepino o un pepino para clasificar posibles enfermedades y obtener soluciones.")
-
-    uploaded_file = st.file_uploader("Sube una foto de una planta de pepino o un pepino", type=["jpg", "jpeg", "png"])
-
-    if uploaded_file is not None:
-        image = Image.open(uploaded_file)
-        st.image(image, caption='Imagen subida.', use_column_width=True)
-        st.write("Clasificando...")
-
-        # Convertir la imagen a bytes
-        img_byte_arr = BytesIO()
-        image.save(img_byte_arr, format='PNG')
-        img_byte_arr = img_byte_arr.getvalue()
-
-        # Enviar la imagen al modelo de Hugging Face
-        predictions = query(img_byte_arr)
-
-        if predictions is not None:
-            if "error" not in predictions:
-                # Suponiendo que las predicciones están en el formato [{label: "Downy Mildew", score: 0.95}, {label: "Fresh Cucumber", score: 0.05}]
-                top_prediction = max(predictions, key=lambda x: x["score"])
-                class_label = top_prediction['label']
-                st.write(f"Predicción principal: {class_label} con confianza {top_prediction['score']:.2f}")
-
-                # Usar la etiqueta principal para el modelo BLOOM
-                prompt = f"Esta enfermedad es {class_label}. Explica qué es y sugiere posibles insecticidas o soluciones en español."
-
-                # Llamar al modelo BLOOM
-                explanation = bloom_query(prompt)
-                
-                st.write(f"Esta enfermedad es {class_label}:")
-                st.write(explanation)
-            else:
-                st.write("No se pudo clasificar la imagen.")
-        else:
-            st.write("No se pudo clasificar la imagen.")
-
-if __name__ == "__main__":
-    main()
+# Define una variable global para almacenar la etiqueta predicha
+predicted_label = ""
+
+def predict(image):
+    global predicted_label
+    
+    # URL del modelo en Hugging Face
+    url = "https://api-inference.huggingface.co/models/riabayonaor/modelo_prediccion_enfermedades_pepinos"
+    
+    # Encabezados para la solicitud
+    headers = {
+        "Authorization": "Bearer hf_xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
+    }
+    
+    # Crear un objeto de archivo para la imagen
+    files = {"file": image}
+    
+    # Hacer la solicitud POST al modelo
+    response = requests.post(url, headers=headers, files=files)
+    
+    # Comprobar el estado de la respuesta
+    if response.status_code == 200:
+        result = response.json()
+        # Suponiendo que el resultado es una lista de etiquetas con probabilidades
+        labels = [item['label'] for item in result]  # Extrae solo las etiquetas
+        formatted_labels = ", ".join(labels)  # Formatea las etiquetas como una cadena
+        predicted_label = formatted_labels  # Guarda la etiqueta en la variable global
+        return formatted_labels
+    else:
+        return "Error en la predicción"
+
+# Carga el modelo en Gradio y define la interfaz personalizada
+interface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="file", label="Subir una imagen"),
+    outputs=gr.Textbox(label="Etiquetas predichas")
+)
+
+# Lanza la interfaz
+interface.launch()