Update app.py

app.py

@@ -1,34 +1,50 @@
-import gradio as gr
-import numpy as np
-from tensorflow.keras.models import load_model
-from PIL import Image
-
-# Cargar modelo
-model = load_model("autoencoder.h5")
-
-# Función de predicción
-def detectar_anomalia(imagen):
-    imagen = imagen.convert("L").resize((64, 64))
-    arr = np.array(imagen) / 255.0
-    arr = arr.reshape((1, 64, 64, 1))
-    reconstruido = model.predict(arr)
-    error = np.mean((arr - reconstruido) ** 2)
-
-    reconstruido = (reconstruido[0].squeeze() * 255).astype(np.uint8)
-    imagen_reconstruida = Image.fromarray(reconstruido)
-
-    return imagen, imagen_reconstruida, f"Error MSE: {error:.6f}"
-
-# Interfaz
-demo = gr.Interface(
-    fn=detectar_anomalia,
-    inputs=gr.Image(type="pil", label="Sube una imagen"),
-    outputs=[
-        gr.Image(label="Imagen original"),
-        gr.Image(label="Reconstruida"),
-        gr.Textbox(label="Error de reconstrucción")
-    ],
-    title="Autoencoder para Detección de Anomalías (Keras)"
-)
-
-demo.launch()
+import gradio as gr
+import numpy as np
+from tensorflow.keras.models import load_model
+from tensorflow.keras.losses import MeanSquaredError
+from PIL import Image
+
+# Cargar modelo con custom_objects para mapear 'mse'
+model = load_model("autoencoder.h5", custom_objects={"mse": MeanSquaredError()})
+
+# Función de predicción
+def detectar_anomalia(imagen):
+    # Convertir y preprocesar la imagen
+    imagen = imagen.convert("L").resize((64, 64))
+    arr = np.array(imagen) / 255.0
+    arr = arr.reshape((1, 64, 64, 1))
+    
+    # Obtener la reconstrucción
+    reconstruido = model.predict(arr, verbose=0)  # verbose=0 para evitar logs innecesarios
+    
+    # Calcular el error de reconstrucción (MSE)
+    error = np.mean((arr - reconstruido) ** 2)
+    
+    # Convertir las imágenes para visualización
+    img_original = (arr.squeeze() * 255).astype(np.uint8)
+    img_reconstruida = (reconstruido.squeeze() * 255).astype(np.uint8)
+    
+    # Convertir a objetos PIL para Gradio
+    imagen_original = Image.fromarray(img_original)
+    imagen_reconstruida = Image.fromarray(img_reconstruida)
+
+    # Determinar si es anómala (usando un umbral)
+    is_anomaly = error > 0.01  # Ajusta este umbral según tus necesidades
+    return (imagen_original, 
+            imagen_reconstruida, 
+            f"Error de reconstrucción (MSE): {error:.6f}\n¿Es anómala?: {'Sí' if is_anomaly else 'No'}")
+
+# Interfaz de Gradio
+demo = gr.Interface(
+    fn=detectar_anomalia,
+    inputs=gr.Image(type="pil", label="Sube una imagen para analizar"),
+    outputs=[
+        gr.Image(label="Imagen Original"),
+        gr.Image(label="Imagen Reconstruida"),
+        gr.Textbox(label="Resultado de la Detección")
+    ],
+    title="Detección de Anomalías en Textiles con Autoencoder (Keras)",
+    description="Este Space utiliza un autoencoder entrenado con Keras para detectar anomalías en imágenes de textiles industriales. Sube una imagen para comparar la original con su reconstrucción y determinar si contiene defectos (como manchas, texto o patrones irregulares) basándote en el error de reconstrucción (MSE). Un MSE alto indica una posible anomalía."
+)
+
+demo.launch()