Update app.py

app.py

@@ -8,7 +8,7 @@ from PIL import Image
 
 # Función personalizada para DepthwiseConv2D
 def custom_depthwise_conv2d(**kwargs):
-    kwargs.pop('groups', None)  # Eliminar el argumento 'groups'
+    kwargs.pop('groups', None)
     return DepthwiseConv2D(**kwargs)
 
 custom_objects = {'DepthwiseConv2D': custom_depthwise_conv2d}
@@ -24,7 +24,7 @@ except Exception as e:
     print(f"Error al cargar el modelo: {e}")
     raise
 
-# Imprimir nombres de las capas del modelo para identificar la última capa convolucional
+# Imprimir nombres de las capas del modelo
 print("Nombres de las capas en el modelo:")
 for layer in model.layers:
     print(layer.name)
@@ -73,68 +73,43 @@ def grad_cam(model, img_array, last_conv_layer_name, pred_index=None):
     return heatmap.numpy()
 
 # Generar el mapa de calor de activación usando Grad-CAM
-def generate_heatmap(image, prediction, last_conv_layer_name="conv5_block3_out"):  # Ajusta el nombre después de revisar las capas
-    # Redimensionar la imagen a (224, 224)
+def generate_heatmap(image, prediction, last_conv_layer_name="top_conv"):  # Reemplaza "top_conv" según el nombre que encuentres
     img_array = tf.image.resize(image, (224, 224))
-    img_array = tf.expand_dims(img_array, axis=0)  # Añadir una dimensión para el batch
+    img_array = tf.expand_dims(img_array, axis=0)
     
-    # Obtén el Grad-CAM para la clase predicha
     heatmap = grad_cam(model, img_array, last_conv_layer_name)
-    
-    # Redimensionar el mapa de calor al tamaño de la imagen
     heatmap = cv2.resize(heatmap, (image.shape[1], image.shape[0]))
-
-    # Convertir el mapa de calor a un rango de 0 a 255 para aplicar color
     heatmap = np.uint8(255 * heatmap)
     heatmap = cv2.applyColorMap(heatmap, cv2.COLORMAP_JET)
-
-    # Superponer el mapa de calor en la imagen original
     superimposed_image = cv2.addWeighted(np.array(image), 0.6, heatmap, 0.4, 0)
-
-    # Convertir a formato PIL para mostrar en Gradio
     img_pil = Image.fromarray(superimposed_image)
     return img_pil
 
 def classify_image(image):
-    # Redimensionar la imagen a (224, 224) antes de la predicción
     image_resized = tf.image.resize(image, (224, 224))
-    image_resized = tf.expand_dims(image_resized, axis=0)  # Añadir una dimensión para el batch
+    image_resized = tf.expand_dims(image_resized, axis=0)
     prediction = model.predict(image_resized).flatten()
     confidences = {labels[i]: float(prediction[i]) for i in range(len(labels))}
     
     # Generar mapa de calor utilizando Grad-CAM
     heatmap_image = generate_heatmap(np.array(image), prediction)
-    
     return confidences, heatmap_image
 
 # Configuración de la interfaz de Gradio
 title = "AI-DERM DETECTION"
-article = (
-    "Se propone un sistema automatizado para el diagnóstico de las 23 enfermedades comunes de la piel..."
-)
-description = (
-    "Utilizamos la interfaz de usuario generada por Gradio para ingresar imágenes a nuestra red neuronal..."
-)
-
-# Ejemplos de imágenes
+description = "Interfaz para diagnóstico automatizado de enfermedades de la piel"
+
 examples = [
     ['./123.jpg'],
     ['./acne-closed-comedo-2.jpg'],
     ['./distal-subungual-onychomycosis-86.jpeg'],
     ['./cherry-angioma-16.jpg'],
-    ['./malignant-melanoma-16.jpg'],  
-    ['./tinea-primary-lesion-15.jpeg'],
-    ['./congenital-nevus-35.jpg'],
-    ['./tinea-body-137.jpg'],  
-    ['./atopic-13.jpg'], 
-    ['./atopic-7.jpg'] 
+    ['./malignant-melanoma-16.jpg']
 ]
 
-# Lanzar la interfaz de Gradio
 gr.Interface(
     fn=classify_image,
     title=title,
-    article=article,
     description=description,
     inputs=gr.Image(),
     outputs=[gr.Label(num_top_classes=4), gr.Image(label="Mapa de Calor")],