Create app.py

app.py

@@ -0,0 +1,85 @@
+import gradio as gr
+import numpy as np
+import tensorflow as tf
+from tensorflow.keras.models import load_model
+from tensorflow.keras.optimizers import Adam
+
+# Configurar TensorFlow en modo compatibilidad (para evitar algunos warnings)
+tf.compat.v1.logging.set_verbosity(tf.compat.v1.logging.ERROR)
+
+# Cargar el modelo entrenado
+model = load_model('colchones/modelo_colchones.h5')  # Asegúrate de tener el archivo del modelo correcto y la ruta adecuada
+
+# Compilación del modelo
+optimizer = Adam(learning_rate=0.001)
+model.compile(optimizer=optimizer, loss='sparse_categorical_crossentropy', metrics=['accuracy'])
+
+# Forzar la construcción de métricas
+model.built = True
+
+# Función para realizar la predicción
+def predict(firmeza, tamaño, posición, presupuesto):
+    # Convertir las opciones seleccionadas a números
+    firmeza_dict = {'Suave': 0, 'Media': 1, 'Firme': 2}
+    tamaño_dict = {'Individual': 0, 'Matrimonial': 1, 'Queen': 2, 'King': 3}
+    posición_dict = {'Lateral': 0, 'Espalda': 1, 'Estómago': 2}
+    presupuesto_dict = {'Bajo': 0, 'Medio': 1, 'Alto': 2}
+
+    colchon_data = [
+        firmeza_dict.get(firmeza, 0),
+        tamaño_dict.get(tamaño, 0),
+        posición_dict.get(posición, 0),
+        presupuesto_dict.get(presupuesto, 0),
+        firmeza_dict.get(firmeza, 0),
+        presupuesto_dict.get(presupuesto, 0)
+    ]
+
+    # Realizar la predicción
+    X_pred = np.array([colchon_data])  # Convertir a un arreglo numpy
+    prediction = model.predict(X_pred)
+    predicted_class = np.argmax(prediction)
+
+    tipos_colchones = ['Muelles Bicónicos', 'Látex', 'Muelles Ensacados', 'Espumación HR', 'Híbrido']
+    imagenes_colchones = {
+        0: 'colchones/static/images/muelles_biconicos.jpeg',
+        1: 'colchones/static/images/latex.jpg',
+        2: 'colchones/static/images/muelle_ensacado.jpg',
+        3: 'colchones/static/images/espumacion_hr.jpg',
+        4: 'colchones/static/images/hibrido.jpg'
+    }
+
+    return tipos_colchones[predicted_class], imagenes_colchones.get(predicted_class)
+
+# Definir las opciones para cada característica
+firmeza_options = ['Suave', 'Media', 'Firme']
+tamaño_options = ['Individual', 'Matrimonial', 'Queen', 'King']
+posición_options = ['Lateral', 'Espalda', 'Estómago']
+presupuesto_options = ['Bajo', 'Medio', 'Alto']
+
+# Crear la interfaz de Gradio
+with gr.Blocks() as demo:
+    gr.Markdown("# Predicción de Tipo de Colchón")
+    firmeza = gr.Dropdown(choices=firmeza_options, label='Firmeza')
+    tamaño = gr.Dropdown(choices=tamaño_options, label='Tamaño')
+    posición = gr.Dropdown(choices=posición_options, label='Posición de dormir')
+    presupuesto = gr.Dropdown(choices=presupuesto_options, label='Presupuesto')
+    recomendacion = gr.Textbox(label='Tipo de Colchón Recomendado')
+    imagen = gr.Image(label='Imagen del Colchón', type='filepath', visible=False)
+
+    def make_prediction(firmeza, tamaño, posición, presupuesto):
+        tipo_colchon, img_colchon = predict(firmeza, tamaño, posición, presupuesto)
+        return tipo_colchon, gr.update(value=img_colchon, visible=True)
+
+    def clear_image(*args):
+        return '', gr.update(value=None, visible=False)
+
+    firmeza.change(clear_image, inputs=[firmeza, tamaño, posición, presupuesto], outputs=[recomendacion, imagen])
+    tamaño.change(clear_image, inputs=[firmeza, tamaño, posición, presupuesto], outputs=[recomendacion, imagen])
+    posición.change(clear_image, inputs=[firmeza, tamaño, posición, presupuesto], outputs=[recomendacion, imagen])
+    presupuesto.change(clear_image, inputs=[firmeza, tamaño, posición, presupuesto], outputs=[recomendacion, imagen])
+
+    btn = gr.Button("Recomendar")
+    btn.click(fn=make_prediction, inputs=[firmeza, tamaño, posición, presupuesto], outputs=[recomendacion, imagen])
+
+# Ejecutar la aplicación
+demo.launch()