JoshuaCarrera commited on
Commit
3e7a27d
路
1 Parent(s): 7947e09

Cambiar Dockerfile y requerimientos

Browse files
Files changed (3) hide show
  1. Dockerfile +21 -26
  2. requirements.txt +3 -3
  3. src/app/app.py +0 -15
Dockerfile CHANGED
@@ -1,44 +1,39 @@
1
- # 1. Usamos la versi贸n de Python que definiste (Ver nota abajo sobre 3.13)
2
- FROM python:3.13-slim
3
 
4
- # 2. Instalamos las dependencias modernas del sistema (COMO ROOT)
5
- RUN apt-get update && apt-get install -y \
6
- libgl1 \
7
- libglib2.0-0 \
8
  ffmpeg \
9
- libsm6 \
10
- libxext6 \
11
- build-essential \
12
  && rm -rf /var/lib/apt/lists/*
13
 
14
  # --- CONFIGURACI脫N DE HUGGING FACE ---
15
- # 3. Creamos un usuario no-root con ID 1000 (Requisito estricto de HF)
16
  RUN useradd -m -u 1000 user
17
-
18
- # 4. Cambiamos al nuevo usuario y establecemos su entorno
19
  USER user
 
 
20
  ENV HOME=/home/user \
21
- PATH=/home/user/.local/bin:$PATH
 
 
 
 
22
  WORKDIR $HOME/app
23
  # -------------------------------------
24
 
25
- # 5. Actualizamos pip e instalamos PyTorch CPU primero
26
- # (Se instalar谩 en ~/.local/bin del usuario 1000)
27
- RUN pip install --no-cache-dir --upgrade pip && \
28
- pip install --no-cache-dir torch torchvision --index-url https://download.pytorch.org/whl/cpu
29
-
30
- # 6. Copiamos el archivo de requerimientos
31
- # OJO: Como es un monorepo y HF construye desde la ra铆z, usamos "backend/"
32
  COPY --chown=user requirements.txt .
33
 
34
- # 7. Instalamos el resto de las dependencias
35
- RUN pip install --no-cache-dir -r requirements.txt
 
 
36
 
37
- # 8. Copiamos el resto del c贸digo del backend
38
  COPY --chown=user . .
39
 
40
- # 9. Exponemos el puerto que exige Hugging Face
41
  EXPOSE 7860
42
 
43
- # 10. Comando para arrancar FastAPI (Actualizado al puerto 7860)
44
- CMD ["uvicorn", "src.app.app:app", "--host", "0.0.0.0", "--port", "7860"]
 
1
+ # 1. Usamos 3.11 por estabilidad absoluta con PyTorch y YOLO sin compilar desde cero
2
+ FROM python:3.11-slim
3
 
4
+ # 2. Instalamos dependencias del sistema m铆nimas.
5
+ # NOTA: Asumimos que usar谩s 'opencv-python-headless' en requirements.txt
6
+ # Si estrictamente procesas video, deja ffmpeg. Si son solo im谩genes, puedes borrar el RUN completo.
7
+ RUN apt-get update && apt-get install -y --no-install-recommends \
8
  ffmpeg \
 
 
 
9
  && rm -rf /var/lib/apt/lists/*
10
 
11
  # --- CONFIGURACI脫N DE HUGGING FACE ---
 
12
  RUN useradd -m -u 1000 user
 
 
13
  USER user
14
+
15
+ # 3. Variables de entorno: PATH y Optimizaci贸n estricta para CPU
16
  ENV HOME=/home/user \
17
+ PATH=/home/user/.local/bin:$PATH \
18
+ OMP_NUM_THREADS=1 \
19
+ MKL_NUM_THREADS=1 \
20
+ OPENBLAS_NUM_THREADS=1
21
+
22
  WORKDIR $HOME/app
23
  # -------------------------------------
24
 
25
+ # 4. Copiamos requerimientos primero para aprovechar el cach茅 de capas de Docker
 
 
 
 
 
 
26
  COPY --chown=user requirements.txt .
27
 
28
+ # 5. Instalamos todo en una sola capa (reduce el tama帽o de la imagen final)
29
+ RUN pip install --no-cache-dir --upgrade pip && \
30
+ pip install --no-cache-dir torch torchvision --index-url https://download.pytorch.org/whl/cpu && \
31
+ pip install --no-cache-dir -r requirements.txt
32
 
33
+ # 6. Copiamos el resto del c贸digo
34
  COPY --chown=user . .
35
 
 
36
  EXPOSE 7860
37
 
38
+ # 7. Arranque
39
+ CMD ["uvicorn", "src.app.app:app", "--host", "0.0.0.0", "--port", "7860", "--workers", "16"]
requirements.txt CHANGED
@@ -2,7 +2,7 @@ annotated-doc==0.0.4
2
  annotated-types==0.7.0
3
  anyio==4.13.0
4
  beautifulsoup4==4.14.3
5
- boto3==1.43.19
6
  botocore==1.43.19
7
  certifi==2026.5.20
8
  charset-normalizer==3.4.7
@@ -23,7 +23,7 @@ matplotlib==3.10.9
23
  mpmath==1.3.0
24
  networkx==3.6.1
25
  numpy==2.4.4
26
- opencv-python==4.13.0.92
27
  packaging==26.2
28
  pillow==12.2.0
29
  polars==1.41.2
@@ -50,4 +50,4 @@ typing_extensions==4.15.0
50
  ultralytics==8.4.57
51
  ultralytics-thop==2.0.19
52
  urllib3==2.7.0
53
- uvicorn==0.48.0
 
2
  annotated-types==0.7.0
3
  anyio==4.13.0
4
  beautifulsoup4==4.14.3
5
+ boto3==1.43.19
6
  botocore==1.43.19
7
  certifi==2026.5.20
8
  charset-normalizer==3.4.7
 
23
  mpmath==1.3.0
24
  networkx==3.6.1
25
  numpy==2.4.4
26
+ opencv-python-headless==4.13.0.92
27
  packaging==26.2
28
  pillow==12.2.0
29
  polars==1.41.2
 
50
  ultralytics==8.4.57
51
  ultralytics-thop==2.0.19
52
  urllib3==2.7.0
53
+ uvicorn==0.48.0
src/app/app.py CHANGED
@@ -37,13 +37,6 @@ model_configs = {
37
  # ==========================================
38
  # 2. FUNCIONES AUXILIARES
39
  # ==========================================
40
- def calculate_file_md5(filepath):
41
- hash_md5 = hashlib.md5()
42
- with open(filepath, "rb") as f:
43
- for chunk in iter(lambda: f.read(4096), b""):
44
- hash_md5.update(chunk)
45
- return hash_md5.hexdigest()
46
-
47
  def get_s3_client():
48
  """Retorna un cliente s3 configurado para Cloudflare R2"""
49
  return boto3.client(
@@ -78,9 +71,6 @@ def download_models_from_r2():
78
  else:
79
  print(f"El modelo {name} ya existe localmente. Cargando...")
80
 
81
- local_md5 = calculate_file_md5(config["path"])
82
- print(f"[DEBUG] MD5 del modelo {name} en disco: {local_md5}")
83
-
84
  del s3_client
85
  gc.collect()
86
 
@@ -134,16 +124,11 @@ def detection_vef(image: UploadFile):
134
 
135
  imageBytes = image.file.read()
136
 
137
- raw_md5 = hashlib.md5(imageBytes).hexdigest()
138
- print(f"[DEBUG] MD5 de la foto cruda recibida: {raw_md5}")
139
-
140
  imageStream = io.BytesIO(imageBytes)
141
  imageFile = Image.open(imageStream).convert("RGB")
142
 
143
  debug_buffer = io.BytesIO()
144
  imageFile.save(debug_buffer, format="JPEG")
145
- pillow_md5 = hashlib.md5(debug_buffer.getvalue()).hexdigest()
146
- print(f"[DEBUG] MD5 de la foto tras procesar con Pillow (RGB): {pillow_md5}")
147
 
148
  which_currency = models["INFERENCIA"].predict(imageFile, verbose=False, imgsz=640, conf=0.25)
149
 
 
37
  # ==========================================
38
  # 2. FUNCIONES AUXILIARES
39
  # ==========================================
 
 
 
 
 
 
 
40
  def get_s3_client():
41
  """Retorna un cliente s3 configurado para Cloudflare R2"""
42
  return boto3.client(
 
71
  else:
72
  print(f"El modelo {name} ya existe localmente. Cargando...")
73
 
 
 
 
74
  del s3_client
75
  gc.collect()
76
 
 
124
 
125
  imageBytes = image.file.read()
126
 
 
 
 
127
  imageStream = io.BytesIO(imageBytes)
128
  imageFile = Image.open(imageStream).convert("RGB")
129
 
130
  debug_buffer = io.BytesIO()
131
  imageFile.save(debug_buffer, format="JPEG")
 
 
132
 
133
  which_currency = models["INFERENCIA"].predict(imageFile, verbose=False, imgsz=640, conf=0.25)
134