Update app.py

app.py

@@ -4,47 +4,33 @@ from tensorflow.keras.models import load_model
 from tensorflow.keras.losses import MeanSquaredError
 from PIL import Image
 
-# Cargar modelo con custom_objects para mapear 'mse'
+# Cargar el modelo entrenado
 model = load_model("autoencoder.h5", custom_objects={"mse": MeanSquaredError()})
 
+# Umbral para detectar anomalías (ajustable)
+THRESHOLD = 0.01
+
 # Función de predicción
 def detectar_anomalia(imagen):
-    # Convertir y preprocesar la imagen
     imagen = imagen.convert("L").resize((64, 64))
     arr = np.array(imagen) / 255.0
     arr = arr.reshape((1, 64, 64, 1))
-    
-    # Obtener la reconstrucción
-    reconstruido = model.predict(arr, verbose=0)  # verbose=0 para evitar logs innecesarios
-    
-    # Calcular el error de reconstrucción (MSE)
+
+    reconstruido = model.predict(arr, verbose=0)
     error = np.mean((arr - reconstruido) ** 2)
-    
-    # Convertir las imágenes para visualización
-    img_original = (arr.squeeze() * 255).astype(np.uint8)
-    img_reconstruida = (reconstruido.squeeze() * 255).astype(np.uint8)
-    
-    # Convertir a objetos PIL para Gradio
-    imagen_original = Image.fromarray(img_original)
-    imagen_reconstruida = Image.fromarray(img_reconstruida)
-
-    # Determinar si es anómala (usando un umbral)
-    is_anomaly = error > 0.01  # Ajusta este umbral según tus necesidades
-    return (imagen_original, 
-            imagen_reconstruida, 
-            f"Error de reconstrucción (MSE): {error:.6f}\n¿Es anómala?: {'Sí' if is_anomaly else 'No'}")
-
-# Interfaz de Gradio
+
+    resultado = f"Anómala" if error > THRESHOLD else "Normal"
+    return resultado
+
+# Crear la interfaz
 demo = gr.Interface(
     fn=detectar_anomalia,
     inputs=gr.Image(type="pil", label="Sube una imagen para analizar"),
-    outputs=[
-        gr.Image(label="Imagen Original"),
-        gr.Image(label="Imagen Reconstruida"),
-        gr.Textbox(label="Resultado de la Detección")
-    ],
-    title="Detección de Anomalías en Textiles con Autoencoder (Keras)",
-    description="Este Space utiliza un autoencoder entrenado con Keras para detectar anomalías en imágenes de textiles industriales."
+    outputs=gr.Label(label="Resultado"),
+    examples=["anomalous.png", "normal.png"],
+    title="📌 Detección de Anomalías con Autoencoder (Keras)",
+    description="Este Space utiliza un autoencoder entrenado con Keras para detectar anomalías en imágenes de textiles industriales.",
 )
 
 demo.launch()
+