up

main.py

@@ -1,4 +1,4 @@
-# main.py
+# main.py (CORREGIDO)
 
 import io
 import numpy as np
@@ -15,10 +15,10 @@ class TranslationResponse(BaseModel):
 try:
     model = tf.keras.models.load_model('best_model.keras')
 except Exception as e:
-    raise IOError(f"Error al cargar el modelo 'best_model.keras'. Asegúrate de que el archivo está en el directorio correcto. Error: {e}")
+    raise IOError(f"Error al cargar el modelo 'best_model.keras'. Error: {e}")
 
 app = FastAPI(
-    title="API de Traducción de Lenguaje de Señas Americano",
+    title="API keras asl",
     description="Sube una imagen del alfabeto de señas (ASL) para obtener una predicción del modelo.",
     version="1.0.0"
 )
@@ -29,20 +29,28 @@ CLASS_NAMES = [
     'del', 'nothing', 'space'
 ]
 
+# --- Funciones de preprocesamiento (CORREGIDAS) ---
 def preprocess_image(image: Image.Image) -> np.ndarray:
+    """
+    Preprocesa la imagen para que sea compatible con el modelo.
+    - Cambia el tamaño a 96x96 píxeles.
+    - La convierte a un array de NumPy.
+    - Añade una dimensión de batch.
+    - NO normaliza, ya que el modelo tiene una capa de Rescaling.
+    """
     image = image.resize((96, 96))
     image_array = np.array(image)
     
-    # Si la imagen es RGBA o en escala de grises, la convierte a RGB
-    if image_array.shape[2] == 4:
+    if image_array.shape[2] == 4: # Maneja imágenes RGBA
         image_array = image_array[..., :3]
     
-    # Normaliza y expande dimensiones para que coincida con la entrada del modelo (1, 96, 96, 3)
-    normalized_array = image_array.astype('float32') / 255.0
-    return np.expand_dims(normalized_array, axis=0)
+    return np.expand_dims(image_array, axis=0)
 
 @app.post("/predict/", response_model=TranslationResponse)
 async def predict(file: UploadFile = File(...)):
+    """
+    Endpoint para predecir la letra del lenguaje de señas a partir de una imagen.
+    """
     contents = await file.read()
     
     try:
@@ -55,13 +63,11 @@ async def predict(file: UploadFile = File(...)):
     predictions = model.predict(processed_image)
     
     predicted_index = np.argmax(predictions, axis=1)[0]
-    
     confidence = float(predictions[0][predicted_index])
-    
     prediction_label = CLASS_NAMES[predicted_index]
 
     return TranslationResponse(prediction=prediction_label, confidence=confidence)
 
 @app.get("/")
 def read_root():
-    return {"message": "ok"}
+    return {"message": "Bienvenido a la API de Lenguaje de Señas. Usa el endpoint /predict/ para hacer una predicción."}