update to image calsification.. labels added

app.py

@@ -1,51 +1,52 @@
 import os
-import gradio as gr
-import requests
 import io
+import requests
+import gradio as gr
 from PIL import Image
 
-# — Configura estos valores
-
-HF_API_TOKEN = os.getenv("HF_TOKEN")
+# Configura tu modelo
 MODEL_ID = "ander-machine/autotrain-u2mob-eufcd"
+HF_API_TOKEN = os.getenv("HF_TOKEN")  # 🔒 definido en Hugging Face -> Settings -> Secrets
+
+headers = {"Authorization": f"Bearer {HF_API_TOKEN}"}
 
-headers = {
-    "Authorization": f"Bearer {HF_API_TOKEN}"
-}
+# Clases conocidas (3 etiquetas)
+CLASSES = ["black_sigatoka", "fusarium", "healthy"]
 
 def predict_hf(image: Image.Image):
-    # Convierte la imagen a bytes (JPEG/PNG)
+    # Convertir imagen a bytes
     buffered = io.BytesIO()
     image.save(buffered, format="PNG")
     img_bytes = buffered.getvalue()
 
-    # Llamada a la API de Hugging Face
+    # Llamada a la API de inferencia de Hugging Face
     response = requests.post(
         f"https://api-inference.huggingface.co/models/{MODEL_ID}",
         headers=headers,
-        files={"file": img_bytes}
+        data=img_bytes  # 👈 importante usar "data", no "files"
     )
 
     if response.status_code != 200:
         return {"error": f"HTTP {response.status_code}: {response.text}"}
 
     result = response.json()
-    # La respuesta esperada es una lista de diccionarios con “label” y “score”
-    # Por ejemplo: [{"label":"Healthy", "score":0.85}, {"label":"Black Sigatoka", "score":0.10}, …]
 
-    # Convertir a una estructura fácil para Gradio
-    # Retornaremos un diccionario label → probabilidad
-    label_scores = {item["label"]: float(item["score"]) for item in result}
-    return label_scores
+    # Esperamos algo como: [{"label":"healthy","score":0.95}, ...]
+    if isinstance(result, list):
+        return {item["label"]: float(item["score"]) for item in result}
+
+    # Si algo falla, devolver mensaje de error
+    return {"error": str(result)}
 
-# Interfaz Gradio
+# Interfaz de Gradio
 demo = gr.Interface(
     fn=predict_hf,
-    inputs=gr.Image(type="pil", label="Sube imagen de hoja de banano"),
-    outputs=gr.Label(num_top_classes=4, label="Probabilidades por clase"),
-    title="Clasificador de Enfermedades del Banano (via Hugging Face)",
-    description="Sube una imagen y retorna probabilidades para cada clase"
+    inputs=gr.Image(type="pil", label="Sube hoja de banano"),
+    outputs=gr.Label(num_top_classes=3, label="Clasificación"),
+    title="Clasificador de Enfermedades del Banano",
+    description="Clasifica la hoja como 'black_sigatoka', 'fusarium' o 'healthy'."
 )
 
-demo.launch(share=True)
+# Importante: en Spaces NO usar share=True
+demo.launch()