File size: 5,275 Bytes
3e04925 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 |
from fastapi import FastAPI, UploadFile, File, Request
from fastapi.responses import JSONResponse
from fastapi.responses import HTMLResponse
from pydantic import BaseModel
from fastapi.staticfiles import StaticFiles
from fastapi.templating import Jinja2Templates
import torch
import cv2
from PIL import Image
from model import Resnet50FER
from config import Resnet50Config
# Crear una instancia de FastAPI
app = FastAPI()
# Directorio donde se encuentran los archivos estáticos (como imágenes)
STATIC_DIR = "static"
# Montar la carpeta 'static' para servir archivos estáticos como imágenes
app.mount("/static", StaticFiles(directory="static"), name="static")
# Configurar los templates usando Jinja2
templates = Jinja2Templates(directory="templates")
# Definir la configuración de tu modelo
config = Resnet50Config(
num_classes=10 # Ejemplo: número de clases para tu tarea específica
)
# Definir el contenido HTML directamente en Python
html_content = """
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>FastAPI con Imagen de Fondo</title>
<style>
body {
background-image: url('static/background.png'); /* Ruta a tu imagen de fondo en la carpeta 'static' */
background-size: cover;
background-repeat: no-repeat;
background-attachment: fixed;
font-family: Arial, sans-serif;
color: #333;
margin: 0;
padding: 0;
}
.container {
max-width: 800px;
margin: 0 auto;
padding: 20px;
background-color: rgba(255, 255, 255, 0.8); /* Fondo semi-transparente para mejor legibilidad */
border-radius: 10px;
box-shadow: 0 0 10px rgba(0, 0, 0, 0.2);
}
</style>
</head>
<body>
<div class="container">
<h1>FastAPI con Imagen de Fondo</h1>
<p>Ejemplo de una aplicación FastAPI con una imagen de fondo.</p>
<form id="uploadForm" action="/upload/" method="post" enctype="multipart/form-data" onsubmit="uploadImage(event)">
<input type="file" name="image" accept="image/*" required>
<button type="submit">Subir Imagen</button>
</form>
</div>
<script>
async function uploadImage(event) {
event.preventDefault(); // Evita el envío tradicional del formulario
const formData = new FormData();
formData.append('image', document.querySelector('input[name="image"]').files[0]);
try {
const response = await fetch('/recognize-face/', {
method: 'POST',
body: formData
});
if (!response.ok) {
throw new Error('Error al enviar la imagen');
}
const result = await response.json();
console.log(result);
} catch (error) {
console.error('Error:', error);
}
}
</script>
</body>
</html>
"""
# Ruta para la página principal con imagen de fondo configurada desde Python
@app.get("/", response_class=HTMLResponse)
async def homepage(request: Request):
return HTMLResponse(content=html_content)
# Crear una instancia de tu modelo
model = Resnet50FER(config)
model.eval() # Asegúrate de que el modelo esté en modo evaluación
# Clase para los datos de entrada esperados en la solicitud
class Item(BaseModel):
# Asumiendo que tu modelo espera imágenes como entrada
image: UploadFile # Usamos UploadFile para manejar la carga de archivos
# Endpoint para subir la imagen
@app.post("/upload/")
async def upload_image(image: UploadFile = File(...)):
return {"filename": image.filename}
# Endpoint para hacer predicciones
@app.post("/predict/")
def predict(item: Item):
# Procesar la imagen recibida
image_bytes = item.image.file.read()
# Aquí deberías procesar la imagen y convertirla al formato adecuado para tu modelo
# Por ahora, simplemente mostramos un mensaje de ejemplo
return {"message": "Endpoint para predicciones con Resnet50FER"}
# Endpoint para reconocimiento facial
@app.post("/recognize-face/")
async def recognize_face(image: UploadFile = File(...)):
try:
# Leer la imagen
contents = await image.read()
img = Image.open(BytesIO(contents))
# Aquí deberías realizar el reconocimiento facial usando tu modelo entrenado
# Ejemplo básico: detectar rostros con OpenCV
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
gray = cv2.cvtColor(np.array(img), cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.3, 5)
# Procesar resultados y devolver respuesta
detected_faces = [{"x": int(x), "y": int(y), "w": int(w), "h": int(h)} for (x, y, w, h) in faces]
return JSONResponse(content={"detected_faces": detected_faces})
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
# Ejecutar la aplicación con Uvicorn
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)
|