h5 / app (1).py

Upload 8 files

3e04925 verified 3 months ago

No virus

5.28 kB

	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)