archivos
Browse files- app.py +63 -0
- modeloDEM.h5 +3 -0
- requirements.txt +1 -0
app.py
ADDED
@@ -0,0 +1,63 @@
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
#Importar librerías.
|
2 |
+
import streamlit as st
|
3 |
+
import tensorflow as tf
|
4 |
+
import numpy as np
|
5 |
+
|
6 |
+
#Definir los nombres de las clases en un arreglo.
|
7 |
+
names = ['Corn__Common_rust','Corn__Northern_Leaf_Blight','Corn__healthy']
|
8 |
+
|
9 |
+
#Función de predicción que toma como parámetro una imagen, y devuelve la predicción.
|
10 |
+
def model_prediction(test_image):
|
11 |
+
#Cargar el modelo previamente entrenado utilizando TensorFlow/Keras.
|
12 |
+
model = tf.keras.models.load_model("modeloDEM.h5")
|
13 |
+
#Carga una imagen de prueba y la redimensiona a un tamaño específico de 128x128 píxeles.
|
14 |
+
image = tf.keras.preprocessing.image.load_img(test_image,target_size=(128,128))
|
15 |
+
#Convierte la imagen cargada en una matriz.
|
16 |
+
input_arr = tf.keras.preprocessing.image.img_to_array(image)
|
17 |
+
#Agrega una dimensión adicional que representa el tamaño del lote (batch).
|
18 |
+
input_arr = np.array([input_arr])
|
19 |
+
#Utiliza el modelo cargado para realizar predicciones.
|
20 |
+
predictions = model.predict(input_arr)
|
21 |
+
#Retorna el índice de la clase con mayor probabilidad y las probabilidades para cada clase.
|
22 |
+
return np.argmax(predictions), predictions
|
23 |
+
|
24 |
+
#Barra lateral donde el usuario puede seleccionar entre dos páginas: "Acerca del proyecto" y "Predicción".
|
25 |
+
app_mode = st.sidebar.selectbox("Seleccione una página",["Acerca del proyecto","Predicción"])
|
26 |
+
|
27 |
+
#Página de la aplicación web que muestra información sobre el proyecto, si el valor de la variable app_mode es igual a "Acerca del proyecto".
|
28 |
+
if(app_mode=="Acerca del proyecto"):
|
29 |
+
st.header("Acerca del proyecto: Detectar enfermedades del maíz")
|
30 |
+
st.write("Aplicación web que predice si la hoja de una planta de maíz está sana o si tiene la roya común o el tizón foliar del norte.")
|
31 |
+
st.subheader("Dataset")
|
32 |
+
st.write("El conjunto de datos contiene imágenes de las hojas de cultivos de maíz sanas y enfermas clasificadas en 3 clases:")
|
33 |
+
st.code("Corn__Common_rust, Corn__Northern_Leaf_Blight, Corn__healthy")
|
34 |
+
st.subheader("Contenido")
|
35 |
+
st.write("El dataset utilizado está dividido en tres carpetas:")
|
36 |
+
st.markdown("**:red[1.]** train (2400 imágenes)")
|
37 |
+
st.markdown("**:red[2.]** valid (400 imágenes)")
|
38 |
+
st.markdown("**:red[3.]** test (400 imágenes)")
|
39 |
+
|
40 |
+
|
41 |
+
#Página que permite a los usuarios cargar una imagen y realizar predicciones, si el valor de la variable app_mode es igual a "Predicción".
|
42 |
+
elif(app_mode=="Predicción"):
|
43 |
+
st.header("Detectar enfermedades del maíz")
|
44 |
+
#Muestra un componente para cargar imágenes en la aplicación web en formato PNG, JPG o JPEG.
|
45 |
+
test_image = st.file_uploader("Carga una imagen:", type=["png", "jpg", "jpeg"])
|
46 |
+
#Verifica si se ha cargado una imagen.
|
47 |
+
if test_image is not None:
|
48 |
+
#Muestra la imagen cargada en su tamaño original, con la leyenda indicada en el parámetro caption
|
49 |
+
st.image(test_image, caption="Imagen de la hoja del maíz", use_column_width=False)
|
50 |
+
#st.image(test_image, caption="Imagen de la hoja del maíz", use_column_width=True)
|
51 |
+
|
52 |
+
#Verifica si se ha hecho clic en el botón "Predecir".
|
53 |
+
if(st.button("Predecir")):
|
54 |
+
#Realiza una predicción, que se espera que devuelva el índice de la clase predicha y las probabilidades para cada clase.
|
55 |
+
result_index,predictions = model_prediction(test_image)
|
56 |
+
#Muestra un mensaje que indica la clase predicha basada en el índice devuelto por la función de predicción.
|
57 |
+
st.success("La predicción indica: {}".format(names[result_index]))
|
58 |
+
#Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__Common_rust"
|
59 |
+
st.markdown("La probabilidad de que pertenezca a la clase **Corn__Common_rust** es: %s" %float(predictions[0][0]))
|
60 |
+
#Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__Northern_Leaf_Blight"
|
61 |
+
st.markdown("La probabilidad de que pertenezca a la clase **Corn__Northern_Leaf_Blight** es: %s" %float(predictions[0][1]))
|
62 |
+
#Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__healthy"
|
63 |
+
st.markdown("La probabilidad de que pertenezca a la clase **Corn__healthy** es: %s" %float(predictions[0][2]))
|
modeloDEM.h5
ADDED
@@ -0,0 +1,3 @@
|
|
|
|
|
|
|
|
|
1 |
+
version https://git-lfs.github.com/spec/v1
|
2 |
+
oid sha256:13ca515f56b45e05a364cdff236d49e55c7bc9f571585204bac73c40875d2973
|
3 |
+
size 93602760
|
requirements.txt
ADDED
@@ -0,0 +1 @@
|
|
|
|
|
1 |
+
tensorflow==2.15.0
|