archivos

app.py

@@ -0,0 +1,63 @@
+#Importar librerías.
+import streamlit as st
+import tensorflow as tf
+import numpy as np
+
+#Definir los nombres de las clases en un arreglo.
+names = ['Corn__Common_rust','Corn__Northern_Leaf_Blight','Corn__healthy']
+
+#Función de predicción que toma como parámetro una imagen, y devuelve la predicción. 
+def model_prediction(test_image):
+    #Cargar el modelo previamente entrenado utilizando TensorFlow/Keras.
+    model = tf.keras.models.load_model("modeloDEM.h5")
+    #Carga una imagen de prueba y la redimensiona a un tamaño específico de 128x128 píxeles.
+    image = tf.keras.preprocessing.image.load_img(test_image,target_size=(128,128))
+    #Convierte la imagen cargada en una matriz. 
+    input_arr = tf.keras.preprocessing.image.img_to_array(image)
+    #Agrega una dimensión adicional que representa el tamaño del lote (batch).
+    input_arr = np.array([input_arr])
+    #Utiliza el modelo cargado para realizar predicciones.
+    predictions = model.predict(input_arr)
+    #Retorna el índice de la clase con mayor probabilidad y las probabilidades para cada clase.
+    return np.argmax(predictions), predictions  
+
+#Barra lateral donde el usuario puede seleccionar entre dos páginas: "Acerca del proyecto" y "Predicción".
+app_mode = st.sidebar.selectbox("Seleccione una página",["Acerca del proyecto","Predicción"])
+
+#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".
+if(app_mode=="Acerca del proyecto"):
+    st.header("Acerca del proyecto: Detectar enfermedades del maíz")
+    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.")
+    st.subheader("Dataset")
+    st.write("El conjunto de datos contiene imágenes de las hojas de cultivos de maíz sanas y enfermas clasificadas en 3 clases:")
+    st.code("Corn__Common_rust, Corn__Northern_Leaf_Blight, Corn__healthy")
+    st.subheader("Contenido")
+    st.write("El dataset utilizado está dividido en tres carpetas:")
+    st.markdown("**:red[1.]** train (2400 imágenes)")
+    st.markdown("**:red[2.]** valid (400 imágenes)")
+    st.markdown("**:red[3.]** test (400 imágenes)")
+    
+
+#Página que permite a los usuarios cargar una imagen y realizar predicciones, si el valor de la variable app_mode es igual a "Predicción".
+elif(app_mode=="Predicción"):
+    st.header("Detectar enfermedades del maíz")
+    #Muestra un componente para cargar imágenes en la aplicación web en formato PNG, JPG o JPEG.
+    test_image = st.file_uploader("Carga una imagen:", type=["png", "jpg", "jpeg"])
+    #Verifica si se ha cargado una imagen.
+    if test_image is not None: 
+        #Muestra la imagen cargada en su tamaño original, con la leyenda indicada en el parámetro caption
+        st.image(test_image, caption="Imagen de la hoja del maíz", use_column_width=False)
+        #st.image(test_image, caption="Imagen de la hoja del maíz", use_column_width=True)
+
+    #Verifica si se ha hecho clic en el botón "Predecir".
+    if(st.button("Predecir")):
+        #Realiza una predicción, que se espera que devuelva el índice de la clase predicha y las probabilidades para cada clase.
+        result_index,predictions = model_prediction(test_image)
+        #Muestra un mensaje que indica la clase predicha basada en el índice devuelto por la función de predicción.
+        st.success("La predicción indica: {}".format(names[result_index]))
+        #Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__Common_rust" 
+        st.markdown("La probabilidad de que pertenezca a la clase **Corn__Common_rust** es: %s" %float(predictions[0][0]))
+        #Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__Northern_Leaf_Blight"
+        st.markdown("La probabilidad de que pertenezca a la clase **Corn__Northern_Leaf_Blight** es: %s" %float(predictions[0][1]))
+        #Muestra la probabilidad de que la imagen pertenezca a la clase "Corn__healthy" 
+        st.markdown("La probabilidad de que pertenezca a la clase **Corn__healthy** es: %s" %float(predictions[0][2]))

modeloDEM.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:13ca515f56b45e05a364cdff236d49e55c7bc9f571585204bac73c40875d2973
+size 93602760

requirements.txt

@@ -0,0 +1 @@
+tensorflow==2.15.0