app.py

import gradio as gr
import joblib
import numpy as np
import os

# Cargar el modelo entrenado
modelo_path = "modelo_colmena.pkl"
if os.path.exists(modelo_path):
    modelo = joblib.load(modelo_path)
else:
    raise FileNotFoundError("El modelo no se encuentra en el servidor.")

# Función para hacer predicciones con el modelo
def predecir(temp, humedad, peso, co2, vco, frecuencia, voltaje, temp_ext, humedad_ext, ver_tempSelect):
    # Convertir valores a números y reemplazar NaN con 0
    valores = [temp, humedad, peso, co2, vco, frecuencia, voltaje, temp_ext, humedad_ext, ver_tempSelect]
    valores_limpios = [0 if v is None or np.isnan(v) else v for v in valores]  # Reemplaza NaN y None con 0
    
    entrada = np.array([valores_limpios])
    
    prediccion = modelo.predict(entrada)[0]  # El modelo devuelve [ventilador, ultrasonido]
    
    mensaje = f"🔹 Ventilador: {'ENCENDER' if prediccion[0] == 1 else 'APAGAR'}"
    mensaje += f"\n🔹 Ultrasonido: {'ENCENDER' if prediccion[1] == 1 else 'APAGAR'}"
    
    return mensaje

# Crear la API en Gradio
iface = gr.Interface(
    fn=predecir,
    inputs=["number", "number", "number", "number", "number", "number", "number", "number", "number"],
    outputs="text",
    title="🐝 IA Inteligente para Colmenas",
    description="Introduce los datos de la colmena y la IA predecirá si es necesario activar ventilador y ultrasonido."
)

# Lanzar la API
iface.launch()