Create app.py

app.py

@@ -0,0 +1,57 @@
+import gradio as gr
+from fastai.vision.all import *
+import numpy as np
+
+# --- 1. Definimos la clase personalizada (Obligatorio para cargar el modelo) ---
+# Tiene que llamarse IGUAL que en tu notebook
+class TargetMaskConvertTransform(ItemTransform):
+    def __init__(self): 
+        pass
+    def encodes(self, x):
+        return x # En inferencia no necesitamos hacer nada con la máscara
+
+# --- 2. Funciones auxiliares para cargar el modelo ---
+# Si usaste alguna función externa para get_y, defínela como 'pass' o lambda
+def get_y_fn(x): return x
+def ParentSplitter(x): return x
+
+# --- 3. Cargar el modelo ---
+learn = load_learner('model.pkl')
+
+# --- 4. Definir la función de predicción ---
+def predict(img):
+    # FastAI predice y devuelve: (pred_mask, pred_idx, probabilities)
+    pred_mask, _, _ = learn.predict(img)
+    
+    # Convertimos a numpy para colorear
+    mask_data = np.array(pred_mask, dtype=np.uint8)
+    
+    # --- Coloreado manual (Igual que hicimos en el notebook) ---
+    # Creamos una imagen RGB vacía
+    h, w = mask_data.shape
+    color_mask = np.zeros((h, w, 3), dtype=np.uint8)
+    
+    # Aplicamos la paleta de colores
+    # 0:Fondo(Negro), 1:Hojas(Verde), 2:Madera(Marrón), 3:Poste(Gris), 4:Uvas(Morado)
+    color_mask[mask_data == 1] = [0, 255, 0]     # Verde
+    color_mask[mask_data == 2] = [139, 69, 19]   # Marrón
+    color_mask[mask_data == 3] = [192, 192, 192] # Gris
+    color_mask[mask_data == 4] = [128, 0, 128]   # Morado
+    
+    # Retornamos la imagen coloreada
+    return color_mask
+
+# --- 5. Interfaz Gradio ---
+title = "Segmentación de Racimos de Uva 🍇"
+description = "Sube una foto de un viñedo y el modelo detectará: Uvas (Morado), Hojas (Verde), Madera (Marrón) y Postes (Gris)."
+examples = [] # Puedes subir fotos de ejemplo si quieres
+
+iface = gr.Interface(
+    fn=predict,
+    inputs=gr.Image(type="pil"),
+    outputs=gr.Image(type="numpy"),
+    title=title,
+    description=description
+)
+
+iface.launch()