Upload 3 files

Dockerfile

@@ -0,0 +1,29 @@
+# Usa una imagen base de Python
+FROM python:3.11.0
+
+# Establece el directorio de trabajo
+WORKDIR /code
+
+# Copia los archivos necesarios al contenedor
+COPY ./requirements.txt /code/requirements.txt
+
+# Actualiza el sistema y instala dependencias adicionales necesarias
+RUN apt-get update && apt-get install -y libgl1-mesa-glx
+
+# Instalar las dependencias listadas en requirements.txt
+RUN pip install --no-cache-dir -r /code/requirements.txt
+
+# Instalar dependencias adicionales como fastapi, uvicorn, opencv, etc.
+RUN pip install fastapi uvicorn pillow opencv-python datasets
+
+# Copiar todo el código fuente al contenedor
+COPY . .
+
+# Dar permisos adecuados a los archivos
+RUN chmod -R 777 /code
+
+# Exponer el puerto en el que se ejecutará la aplicación
+EXPOSE 7860
+
+# Comando para ejecutar la aplicación
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,40 @@
+from fastapi import FastAPI, File, UploadFile
+import numpy as np
+from PIL import Image
+import io
+import cv2
+from datasets import load_dataset
+
+app = FastAPI()
+
+# Cargar el PlantVillage dataset predefinido
+dataset = load_dataset("plant_village")
+
+# Aquí puedes entrenar un modelo o usar uno preentrenado. Para simplificar, vamos a usar el dataset solo para mostrar ejemplos.
+# Por ejemplo, podemos ver algunas imágenes del dataset, pero en producción deberías tener un modelo entrenado.
+train_data = dataset["train"]
+
+@app.post("/detect_disease/")
+async def detect_disease(file: UploadFile = File(...)):
+    # Leer imagen cargada
+    image_bytes = await file.read()
+    image = Image.open(io.BytesIO(image_bytes))
+    img_np = np.array(image)
+
+    # Convertir la imagen a escala de grises
+    gray = cv2.cvtColor(img_np, cv2.COLOR_RGB2GRAY)
+    edges = cv2.Canny(gray, 100, 200)
+
+    # Aquí realizarías la predicción usando tu modelo, en lugar de solo mostrar bordes.
+    # Simularemos un diagnóstico simple usando el promedio de los bordes para ilustrar la idea.
+    disease_detected = "Enfermedad detectada" if np.mean(edges) > 50 else "Saludable"
+
+    # Visualización de la primera imagen del dataset de ejemplo
+    example_image = train_data[0]['image']  # Imagen del dataset para ejemplo
+    example_label = train_data[0]['label']  # Etiqueta de la enfermedad de la imagen de ejemplo
+
+    return {
+        "diagnosis": disease_detected,
+        "example_image": example_image,
+        "example_label": example_label
+    }

requirements.txt

@@ -0,0 +1,7 @@
+fastapi
+uvicorn
+opencv-python
+numpy
+Pillow
+python-multipart
+datasets