Update app.py

app.py

@@ -1,43 +1,68 @@
-import gradio as gr
+import streamlit as st
 import requests
+from PIL import Image
+from io import BytesIO
+from transformers import AutoTokenizer, AutoModelForCausalLM
 
-# 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()
+# 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()