Create app.py

app.py

@@ -0,0 +1,59 @@
+import os
+from io import BytesIO
+from typing import Dict
+
+import uvicorn
+from fastapi import FastAPI, File, UploadFile
+from PIL import Image
+from pydantic import BaseModel
+import tensorflow as tf
+
+# Carga el modelo SavedModel (ajusta la ruta si es necesario)
+model = tf.saved_model.load("./efficientnet_alzheimer")
+
+app = FastAPI(title="API de clasificación de Alzheimer")
+
+# Define la función de preprocesamiento de imágenes (la misma que en inference.py)
+def preprocess_image(image):
+    image = image.resize((200, 200))
+    image = np.array(image) / 255.0
+    image = np.expand_dims(image, axis=0)
+    return image
+
+# Define el formato de la respuesta de la API
+class Prediction(BaseModel):
+    prediction: str
+    confidence: float
+
+# Endpoint para la predicción
+@app.post("/predict", response_model=Prediction)
+async def predict_image(image: UploadFile = File(...)):
+    # Lee la imagen
+    contents = await image.read()
+    image = Image.open(BytesIO(contents))
+
+    # Preprocesa la imagen
+    processed_image = preprocess_image(image)
+
+    # Realiza la predicción
+    predictions = model(processed_image)
+
+    # Obtén la clase predicha y la probabilidad
+    predicted_class = np.argmax(predictions)
+    confidence = np.max(predictions)
+
+    # Mapea la clase numérica al nombre de la clase (igual que en inference.py)
+    class_names = {
+        0: "VeryMildDemented",
+        1: "NonDemented",
+        2: "ModerateDemented",
+        3: "MildDemented"
+    }
+    predicted_class_name = class_names.get(predicted_class, "Clase desconocida")
+
+    # Devuelve la predicción y la confianza
+    return {"prediction": predicted_class_name, "confidence": confidence.item()}
+
+# Punto de entrada para ejecutar la aplicación con Uvicorn
+if __name__ == "__main__":
+    uvicorn.run(app, host="0.0.0.0", port=int(os.environ.get("PORT", 8000)))