app.py

import torch
from torchvision import transforms, datasets
from torchvision.models import efficientnet_b0, EfficientNet_B0_Weights
from torchvision.transforms.functional import InterpolationMode
from PIL import Image
import gradio as gr

# Define el modelo y carga los pesos guardados
model = efficientnet_b0(weights=EfficientNet_B0_Weights.DEFAULT)
model.classifier[1] = torch.nn.Linear(in_features=1280, out_features=101)
model.load_state_dict(torch.load('./Model_Food_ProyectoIA'))

model.eval()  # Poner el modelo en modo evaluación

# Mueve el modelo a la GPU si está disponible
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
model.to(device)

# Define las transformaciones
transform_preprocess = transforms.Compose([
    transforms.Resize(256, interpolation=InterpolationMode.BICUBIC),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

# Cargar el conjunto de datos Food-101 para obtener la lista de clases
#image_path = '../../compartida/vision-project/'
#food101_dataset = datasets.Food101(image_path, split='train')
#classes = food101_dataset.classes

from datasets import load_remote_dataset
# URL del archivo de texto en el Space de Hugging Face
file_url = "https://huggingface.co/spaces/Alan7/ProyectoComputerVision/blob/main/clases.txt"
# Carga el archivo de texto desde la URL
file_content = load_remote_dataset(file_url)
# Lee el contenido del archivo y divide por saltos de línea
classes = file_content.strip().split("\n")




# Función para predecir la clase de una nueva imagen
def predict_image(image):
    image = Image.fromarray(image).convert('RGB')  # Convertir la imagen cargada a PIL
    image = transform_preprocess(image).unsqueeze(0)  # Preprocesar y añadir dimensión de batch
    image = image.to(device)  # Mover la imagen a la GPU si está disponible

    with torch.no_grad():
        output = model(image)  # Realizar la predicción
        prediction = torch.nn.functional.softmax(output[0], dim=0)  # Aplicar softmax para obtener probabilidades
        confidences = {classes[i]: float(prediction[i]) for i in range(101)}  # Crear diccionario de clases y probabilidades

    return confidences  # Devolver las probabilidades de cada clase

# Crear la interfaz de Gradio
interface = gr.Interface(
    fn=predict_image, 
    inputs=gr.Image(type="numpy"), 
    outputs=gr.Label(num_top_classes=3),
    title="Food101 Classifier",
    description="Sube una imagen de comida y el modelo clasificará la imagen.",
    examples=["https://www.cnature.es/receta/receta-de-hamburguesa-con-guacamole/"]  # Reemplaza con rutas de ejemplo
)

# Iniciar la interfaz
interface.launch(share=True)