app.py

import gradio as gr
from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import torch
import os
import torch.nn.functional as F

# --- Configuración del modelo ---
MODEL_ID = "prithivMLmods/Alphabet-Sign-Language-Detection"
TITLE = "🤖 Clasificador de Alfabeto Americano de Señas (ASL)"

# --- Cargar modelo y procesador ---
processor, model = None, None
print(f"⏳ Intentando cargar el modelo '{MODEL_ID}'...")

try:
    processor = AutoImageProcessor.from_pretrained(MODEL_ID)
    model = AutoModelForImageClassification.from_pretrained(MODEL_ID)
    print(f"✅ Modelo cargado correctamente.")
except Exception as e:
    print("❌ Error al cargar el modelo:")
    print(e)


# --- Función de predicción (Top-3 ordenado verticalmente) ---
def predict_sign(image: Image.Image):
    """Realiza la predicción y devuelve el Top-3 en formato Markdown."""
    if processor is None or model is None:
        return "❌ El modelo no está disponible o falló al cargar. Revisa los logs."

    try:
        # 1. Preprocesamiento
        image = image.convert("RGB")
        inputs = processor(images=image, return_tensors="pt")

        # 2. Predicción
        with torch.no_grad():
            outputs = model(**inputs)
            probs = torch.nn.functional.softmax(outputs.logits, dim=-1)[0]

        # 3. Obtener Top-3
        topk = torch.topk(probs, k=3)
        
        # 4. Formatear resultado
        resultados_md = "### 🔠 Predicciones más probables\n"
        
        # Predicción Principal
        main_label = model.config.id2label.get(topk.indices.tolist()[0], "Desconocido")
        main_score = topk.values.tolist()[0] * 100
        
        # Estilo para la predicción principal
        result = f"## 🏆 Predicción Principal: **{main_label}**\n"
        result += f"### Confianza: **{main_score:.2f}%**\n\n"
        result += "---"
        
        # Top 3 (incluyendo la principal)
        result += "\n\n### Otras Predicciones (Top 3)\n"
        
        for idx, score in zip(topk.indices.tolist(), topk.values.tolist()):
            label = model.config.id2label.get(idx, "Desconocido")
            result += f"🖐 **{label}** — {score * 100:.2f}% de confianza\n"
            
        return result

    except Exception as e:
        return f"⚠️ Error durante la predicción: {str(e)}"

# --- Función para obtener ejemplos ---
def get_examples():
    """Busca ejemplos locales para la interfaz."""
    examples_dir = "examples"  # <--- Carpeta "examples"
    examples = []
    # Nota: Si solo usas 'senia.jpeg', cámbialo a buscar todos los archivos.
    # El código original de Gradio solo incluía una.
    # Usemos una versión que recoja todos los archivos en la carpeta:
    
    if os.path.exists(examples_dir):
        # Recorre todos los archivos en la carpeta
        for img_file in os.listdir(examples_dir):
            if img_file.endswith(('.jpg', '.jpeg', '.png')):
                # Agrega la ruta completa de la imagen como un elemento de la lista
                examples.append([os.path.join(examples_dir, img_file)])
                
    return examples if examples else None

# --- Interfaz de Gradio (Usando gr.Blocks para el nuevo diseño) ---
with gr.Blocks(title=TITLE, theme=gr.themes.Soft()) as interface:
    
    # Título principal y descripción
    gr.Markdown(f"""
    # {TITLE}
    Esta aplicación utiliza el modelo de Hugging Face **`{MODEL_ID}`** para clasificar 
    imágenes de señas del **Alfabeto Americano (ASL)**.
    """)
    
    # Consejos para mejores resultados
    gr.Markdown("""
    **📸 Consejos para mejores resultados:**
    - Usa imágenes con la mano clara y bien iluminada.
    - Asegúrate de que la seña sea reconocible según el ASL.
    - El modelo predice las 3 opciones más probables.
    """)

    with gr.Row():
        
        # Columna de entrada de imagen
        with gr.Column(scale=1):
            gr.Markdown("## 📤 Sube una Imagen")
            input_image = gr.Image(
                label="📸 Sube la imagen de la seña",
                type="pil",
                height=350
            )
            predict_btn = gr.Button("🔍 Clasificar Seña", variant="primary", size="lg")
            
        # Columna de salida del resultado
        with gr.Column(scale=1):
            gr.Markdown("## 📊 Resultado de la Predicción")
            output_text = gr.Markdown(
                label="Clasificación",
            )

    # Conectar la función de predicción al botón
    predict_btn.click(
        fn=predict_sign,
        inputs=input_image,
        outputs=output_text,
    )

    # Información adicional y ejemplos
    gr.Markdown("---")
    
    # Agregar ejemplos si existen
    examples = get_examples()
    if examples:
        gr.Markdown("### 📸 Ejemplos para probar:")
        gr.Examples(
            examples=examples,
            inputs=input_image,
            outputs=output_text,
            fn=predict_sign,
            cache_examples=True
        )
    
    # Pie de página o créditos
    gr.Markdown(f"""
    <p style='text-align: center; font-size: 0.8em; color: #555;'>
    Modelo basado en el trabajo de <a href='https://huggingface.co/{MODEL_ID}' target='_blank'>prithivMLmods en Hugging Face</a>.
    </p>
    """)


if __name__ == "__main__":
    interface.launch()