Update app.py

app.py

@@ -2,11 +2,17 @@ import streamlit as st
 import requests
 from PIL import Image
 from io import BytesIO
+from dotenv import load_dotenv
+import os
+
+# Cargar variables de entorno desde el archivo .env
+load_dotenv()
+huggingface_api_key = os.getenv("HUGGINGFACE_API_KEY")
 
 # Configuración de la API
 API_URL = "https://api-inference.huggingface.co/models/riabayonaor/modelo_prediccion_enfermedades_pepinos"
 META_LLAMA_API_URL = "https://api-inference.huggingface.co/models/meta-llama/Meta-Llama-3-8B-Instruct"
-headers = {"Authorization": "Bearer YOUR_HUGGINGFACE_API_KEY"}  # Reemplaza con tu API Key
+headers = {"Authorization": f"Bearer {huggingface_api_key}"}
 
 def query(image_bytes):
     response = requests.post(API_URL, headers=headers, data=image_bytes)
@@ -16,39 +22,45 @@ def llama_query(prompt):
     response = requests.post(META_LLAMA_API_URL, headers=headers, json={"inputs": prompt})
     return response.json()
 
-# Interfaz de Streamlit
-st.title("Predicción de Enfermedades en Pepinos")
-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 "error" not in predictions:
-        # Suponiendo que las predicciones están en el formato [{label: "label1", score: 0.95}, {label: "label2", score: 0.05}]
-        top_prediction = max(predictions, key=lambda x: x["score"])
-        st.write(f"Predicción principal: {top_prediction['label']} con confianza {top_prediction['score']:.2f}")
-
-        # Usar la etiqueta principal para el modelo de Meta Llama
-        prompt = f"Esta enfermedad es {top_prediction['label']}. Explica qué es y sugiere posibles insecticidas o soluciones."
-
-        # Llamar al modelo Meta Llama
-        llama_response = llama_query(prompt)
-        
-        if "error" not in llama_response:
-            explanation = llama_response[0]["generated_text"]
-            st.write("Explicación y posibles soluciones:")
-            st.write(explanation)
+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 "error" not in predictions:
+            # Suponiendo que las predicciones están en el formato [{label: "label1", score: 0.95}, {label: "label2", score: 0.05}]
+            top_prediction = max(predictions, key=lambda x: x["score"])
+            st.write(f"Predicción principal: {top_prediction['label']} con confianza {top_prediction['score']:.2f}")
+
+            # Usar la etiqueta principal para el modelo de Meta Llama
+            prompt = f"Esta enfermedad es {top_prediction['label']}. Explica qué es y sugiere posibles insecticidas o soluciones."
+
+            # Llamar al modelo Meta Llama
+            llama_response = llama_query(prompt)
+            
+            if "error" not in llama_response:
+                explanation = llama_response[0]["generated_text"]
+                st.write("Explicación y posibles soluciones:")
+                st.write(explanation)
+            else:
+                st.write("No se pudo obtener una respuesta del modelo Meta Llama.")
         else:
-            st.write("No se pudo obtener una respuesta del modelo Meta Llama.")
-    else:
-        st.write("No se pudo clasificar la imagen.")
+            st.write("No se pudo clasificar la imagen.")
+
+if __name__ == "__main__":
+    main()