ImageClassificationSpace\nAPI en HuggingFace Space con TensorFlow Serving-like pipeline.

app.py

@@ -26,7 +26,7 @@ class ImagePayload(BaseModel):
 @app.get("/")
 def home():
     return {
-        "status": "ok", 
+        "status": "ok",
         "message": "API is running! Use POST /predict",
         "model_info": {
             "input_shape": input_details[0]['shape'].tolist(),
@@ -40,48 +40,48 @@ def home():
 def preprocess_image(img_bytes, target_size=(224, 224)):
     """
     Preprocesa la imagen usando NumPy y PIL
-    
+
     Args:
         img_bytes: Bytes de la imagen
         target_size: Tupla (height, width)
-    
+
     Returns:
         Imagen preprocesada como numpy array
     """
     # Decodificar imagen con PIL
     img = Image.open(io.BytesIO(img_bytes))
-    
+
     # Convertir a RGB si es necesario
     if img.mode != 'RGB':
         img = img.convert('RGB')
-    
+
     # Redimensionar
     img = img.resize(target_size, Image.BILINEAR)
-    
+
     # Convertir a numpy array
     img_array = np.array(img, dtype=np.float32)
-    
+
     # Normalizar a [0, 1]
     img_array = img_array / 255.0
-    
+
     # Expandir dimensiones para batch
     img_array = np.expand_dims(img_array, axis=0)
-    
+
     # Si es modelo INT8, convertir directamente a uint8 [0, 255]
     # El modelo internamente hace el escalado y zero point
     if IS_INT8_MODEL:
         # Volver a escala [0, 255] y convertir a uint8
         img_array = (img_array).astype(np.uint8)
-    
+
     return img_array
 
 def postprocess_output(output):
     """
     Postprocesa la salida del modelo
-    
+
     Args:
         output: Salida raw del modelo
-    
+
     Returns:
         Probabilidades como lista
     """
@@ -91,7 +91,7 @@ def postprocess_output(output):
     if IS_INT8_MODEL:
         # Convertir de uint8 [0, 255] a float [0, 1]
         output = output.astype(np.float32)
-    
+
     # El modelo ya tiene softmax, así que solo convertir a lista
     return output[0].tolist()
 
@@ -99,32 +99,32 @@ def postprocess_output(output):
 def predict(payload: ImagePayload):
     """
     Endpoint de predicción
-    
+
     Args:
         payload: JSON con imagen en base64
-    
+
     Returns:
         Predicciones del modelo
     """
     try:
         # Decodificar base64
         img_bytes = base64.b64decode(payload.image_base64)
-        
+
         # Preprocesar imagen
         img_array = preprocess_image(img_bytes, target_size=(224, 224))
-        
+
         # Inferencia con AI Edge LiteRT
         litert_interpreter.set_tensor(input_details[0]['index'], img_array)
         litert_interpreter.invoke()
         output = litert_interpreter.get_tensor(output_details[0]['index'])
-        
+
         # Postprocesar salida
         predictions = postprocess_output(output)
-        
+
         # Obtener clase predicha y confianza
         predicted_class = int(np.argmax(predictions))
         confidence = float(predictions[predicted_class])
-        
+
         return {
             "prediction": predictions,
             "predicted_class": predicted_class,
@@ -135,7 +135,7 @@ def predict(payload: ImagePayload):
                 reverse=True
             )[:5]
         }
-    
+
     except Exception as e:
         return {
             "error": str(e),

my_classification_model_float16.tflite

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:1b3b9010c4b53f7a81599fdccf80e3d85d181b8cd8a89cc7c30c20ddcc04de26
+oid sha256:cb372588dfae0c9a39260570e02bb186987ee0cbe00919de0fc344de92d00d80
 size 22375136