Upload: Multiple files to assets directory

app.py

@@ -1,81 +1,126 @@
 import gradio as gr
 import requests
 import os
-import json
-# from huggingface_hub import HfApi, HfFolder
-# from evaluate import evaluate_prediction  # importas tu función
+import pandas as pd
+import numpy as np
+import matplotlib
+matplotlib.use('Agg')
+import matplotlib.pyplot as plt
+import io
+import base64
 
-REFERENCE_FILE_URL = "https://huggingface.co/datasets/juliocontrerash/my-challenge-data/resolve/main/reference.nc"
-LOCAL_REF_PATH = "reference.nc"
+# 1) URL del archivo de referencia
+REFERENCE_FILE_URL = "https://huggingface.co/datasets/juliocontrerash/my-challenge-submissions/resolve/main/reference.csv"
+LOCAL_REF_PATH = "reference.csv"
 
 def download_reference():
+    """
+    Descarga el CSV de referencia desde Hugging Face Datasets
+    y lo guarda como un archivo local 'reference.csv'.
+    Se ejecuta solo si el archivo no existe todavía.
+    """
     if not os.path.exists(LOCAL_REF_PATH):
+        print("Descargando archivo de referencia...")
         r = requests.get(REFERENCE_FILE_URL)
+        r.raise_for_status()
         with open(LOCAL_REF_PATH, 'wb') as f:
             f.write(r.content)
+        print("Descarga completa:", LOCAL_REF_PATH)
+
+download_reference()  # Se ejecutará una sola vez al iniciar el Space
+
+def evaluate_prediction(pred_path, ref_path):
+    """
+    Lee el archivo CSV subido (pred_path) y el archivo CSV de referencia (ref_path).
+    Calcula alguna métrica, por ejemplo MRE y RMSE.
+    
+    Formato de CSV esperado:
+    - reference.csv: col [wavelength, power]
+    - predictions.csv: col [wavelength, prediction]
+    """
+    # Leer la referencia
+    df_ref = pd.read_csv(ref_path)
+    # Leer la predicción del participante
+    df_pred = pd.read_csv(pred_path)
+    
+    # Hacer merge en base a la columna 'wavelength'
+    df_merged = pd.merge(df_ref, df_pred, on='wavelength', how='inner')
+    
+    # Extraer valores
+    real = df_merged['power'].values
+    pred = df_merged['prediction'].values
+
+    # Calcular Mean Relative Error (MRE) por cada fila
+    mre = np.abs((pred - real) / real)
+    mre_mean = mre.mean()
 
-download_reference()  # bajamos la referencia al iniciar el Space
+    # Calcular RMSE
+    rmse = np.sqrt(np.mean((pred - real)**2))
+
+    # Retornar resultados
+    return {
+        "mre_mean": mre_mean,
+        "rmse": rmse,
+        "mre_spectrum": mre.tolist()  # vector
+    }
 
 def evaluate_and_save(pred_file, participant_name):
     """
-    1. Guarda el archivo subido como local
-    2. Llama a evaluate_prediction
-    3. Registra los resultados en el dataset (opcional)
-    4. Retorna alguna visualización / texto
+    Función que se llama al presionar el botón "Evaluar" en la interfaz.
+    1. Lee el CSV de predicciones (subido por usuario).
+    2. Llama a evaluate_prediction().
+    3. Genera una gráfica y arma un mensaje final.
+    4. Retorna el mensaje y la gráfica embebida (base64).
     """
     if not pred_file:
         return "No file uploaded", None
     
-    # Guardar local
+    # 1. El archivo subido es un objeto tipo gradio.tempfile. Obtenemos la ruta
     pred_path = pred_file.name
     
-    # Evaluar
+    # 2. Evaluar la predicción
     results = evaluate_prediction(pred_path, LOCAL_REF_PATH)
     
-    # Subir resultados a dataset en HF Hub (opcional)
-    # 1. Descarga submissions.jsonl
-    # 2. Añade una nueva línea con participant_name, results, time, etc.
-    # 3. `git push` o usar huggingface_hub para subir la versión actualizada
-    
-    # Aqui creamos una grafica (opcional)
-    # Por ejemplo un plot con MRE_spectrum:
-    import matplotlib
-    matplotlib.use('Agg')
-    import matplotlib.pyplot as plt
-    import io
-    import base64
-    import numpy as np
-    
+    # 3. Generar la gráfica
     mre_spectrum = results["mre_spectrum"]
     plt.figure(figsize=(6,4))
-    plt.plot(np.arange(len(mre_spectrum)), mre_spectrum, label='MRE Spectrum')
-    plt.xlabel('Wavelength index')
-    plt.ylabel('Error')
+    plt.plot(np.arange(len(mre_spectrum)), mre_spectrum, marker='o', label='MRE Spectrum')
+    plt.xlabel('Index')
+    plt.ylabel('MRE')
     plt.title('Spectral Error')
     plt.legend()
-    
+
     buf = io.BytesIO()
     plt.savefig(buf, format='png')
     plt.close()
     buf.seek(0)
-    img_str = base64.b64encode(buf.read())
-    img_str = "data:image/png;base64," + img_str.decode('utf-8')
+    img_str = base64.b64encode(buf.read()).decode('utf-8')
+    img_str = f"data:image/png;base64,{img_str}"
+    
+    # 4. Construir mensaje final
+    message = (
+        f"Participant: {participant_name}\n"
+        f"MRE mean: {results['mre_mean']:.4f}\n"
+        f"RMSE: {results['rmse']:.4f}"
+    )
     
-    message = f"Participant: {participant_name}\nMRE mean: {results['mre_mean']:.4f}\nRMSE: {results['rmse']:.4f}"
     return message, img_str
 
+# === Construcción de la interfaz con Gradio ===
 with gr.Blocks() as demo:
-    gr.Markdown("# My Challenge\nSube tu archivo de predicciones para evaluar tu modelo.")
+    gr.Markdown("# My Challenge\nSube tu archivo de predicciones en CSV para evaluar tu modelo.")
     participant_name = gr.Textbox(label="Nombre del participante")
-    pred_file = gr.File(label="Subir archivo (csv, netcdf, etc.)")
+    pred_file = gr.File(label="Subir archivo CSV (ej. predictions.csv)")
 
     output_message = gr.Textbox(label="Resultados")
     output_image = gr.HTML(label="Gráfica")
 
     submit_btn = gr.Button("Evaluar")
     
-    submit_btn.click(fn=evaluate_and_save, 
-                     inputs=[pred_file, participant_name], 
-                     outputs=[output_message, output_image])
+    submit_btn.click(
+        fn=evaluate_and_save, 
+        inputs=[pred_file, participant_name], 
+        outputs=[output_message, output_image]
+    )
 
 demo.launch()