Update pages/Entorno de Ejecución.py

pages/Entorno de Ejecución.py

@@ -70,23 +70,23 @@ with cnn:
             model_name = 'Patacotrón ' + model_dir.split(common_root)[-1].split(common_end)[0]
             model_dict[model_name] = model_dir
         #ultraversions = ['Patacotrón 1.5', 'Patacotrón 1.7', 'Patacotrón 1.8', 'Patacotrón 1.12', 'Patacotrón 1.12.2', 'Patacotrón 1.12.3']
-        ultraversions = ['Patacotrón 1.5', 'Patacotrón 1.6', 'Patacotrón 1.12.2', 'Patacotrón 1.8', 'Patacotrón 1.12']#, 'Patacotrón 1.13.20', 'Patacotrón 1.13.38']
+        #ultraversions = ['Patacotrón 1.5', 'Patacotrón 1.6', 'Patacotrón 1.12.2', 'Patacotrón 1.8', 'Patacotrón 1.12']#, 'Patacotrón 1.13.20', 'Patacotrón 1.13.38']
         #['Patacotrón 1.5', 'Patacotrón 1.6',  'Patacotrón 1.7', 'Patacotrón 1.12'] #
-        ultra_button = st.checkbox('Ultra-Patacotrón (en construcción, no es la mejor versión)')
-        ultra_flag = False
+        #ultra_button = st.checkbox('Ultra-Patacotrón (en construcción, no es la mejor versión)')
+        #ultra_flag = False
         weight_list = []
         
-        if ultra_button:
-            ultra_flag = True
+        #if ultra_button:
+        #    ultra_flag = True
             #weight_list = [3, 1, 4.5, 1, .8, 1] [.5, 1.75, 4, .5, 2]
-            weight_list = [2.5, 1.8, 1.5, 3.14, 2.2] #.2, 2]
+        #    weight_list = [2.5, 1.8, 1.5, 3.14, 2.2] #.2, 2]
             #[1, 2, 3, 2.5] 
-            st.caption('Para Ultra-Patacotrón, este porcentaje no representa una a priori una probabilidad, sino la combinación ponderada de modelos con sesgos positivos y negativos, lo importante es que identifique correctamente el objeto.')
+        #    st.caption('Para Ultra-Patacotrón, este porcentaje no representa una a priori una probabilidad, sino la combinación ponderada de modelos con sesgos positivos y negativos, lo importante es que identifique correctamente el objeto.')
             
         # Create a dropdown menu to select the model
         model_choice = st.multiselect("Seleccione uno o varios modelos de clasificación", model_dict.keys())
         
-        threshold = st.slider('¿Cuál va a ser el límite donde se considere patacón? (el valor recomendado para Ultra-Patacotrón es 50%, para los demás, 75%-80%)', 0, 100, 50, key = 'threshold_convnet')
+        threshold = st.slider('¿Cuál va a ser el límite donde se considere patacón? (el valor recomendado es de 75%-80%)', 0, 100, 50, key = 'threshold_convnet')
         
         selected_models = []
                 
@@ -100,24 +100,25 @@ with cnn:
         uploaded_file = st.file_uploader(key = 'convnet_upload', label = 'Sube la imagen a clasificar',type= ['jpg','png', 'jpeg', 'jfif', 'webp', 'heic'])
         
         if st.button(key = 'convnet_button', label ='¿Hay un patacón en la imagen?'):
-            if (len(model_choice) > 0 and ultra_flag) or (len(model_choice) == 0 and ultra_flag is None):
-                st.write('Debe elegir un método (debe seleccionar o deseleccionar alguno): Ultra-Patacotrón o Selección Múltiple.')
+            if len(model_choice) < 1:
+            #if (len(model_choice) > 0 and ultra_flag) or (len(model_choice) == 0 and ultra_flag is None):
+                st.write('Debe elegir como mínimo un modelo.')
             
             elif uploaded_file is not None:
                 img = preprocess(uploaded_file)
-                if ultra_flag:
-                    with st.spinner('Cargando ultra-predicción...'):
-                        if not executed: 
-                            ultraptctrn = [load_model(model_dict[model]) for model in ultraversions]
-                            executed = True
-                        final_weights = weight_list if len(weight_list) >= 1 else [1 for i in range(len(ultraptctrn))]
-                        y_gorrito, raw_img = predict(ultraptctrn, final_weights, img)
+                #if ultra_flag:
+                #    with st.spinner('Cargando ultra-predicción...'):
+                #        if not executed: 
+                #            ultraptctrn = [load_model(model_dict[model]) for model in ultraversions]
+                #            executed = True
+                #        final_weights = weight_list if len(weight_list) >= 1 else [1 for i in range(len(ultraptctrn))]
+                #        y_gorrito, raw_img = predict(ultraptctrn, final_weights, img)
                         
-                else:
-                    with st.spinner('Cargando predicción...'):
-                        selected_models = [load_model(model_dict[model]) for model in model_choice if model not in selected_models]
-                        final_weights = weight_list if len(weight_list) >= 1 else [1 for i in range(len(selected_models))]       
-                        y_gorrito, raw_img = predict(selected_models, final_weights, img)
+                #else:
+                with st.spinner('Cargando predicción...'):
+                    selected_models = [load_model(model_dict[model]) for model in model_choice if model not in selected_models]
+                    final_weights = weight_list if len(weight_list) >= 1 else [1 for i in range(len(selected_models))]       
+                    y_gorrito, raw_img = predict(selected_models, final_weights, img)
 
                 if round(float(y_gorrito*100)) >= threshold:
                     st.success("¡Patacón Detectado!")
@@ -155,20 +156,35 @@ with vit:
     with col_b:
 
         if st.button(key = 'ViT_button', label ='¿Hay un patacón en la imagen?'):
-            if len(model_choice) != 1:
-                print('Recuerda seleccionar un solo modelo de clasificación')
+            if len(model_choice) < 1:
+                print('Recuerda seleccionar al menos un modelo de clasificación')
             elif uploaded_file is not None:
                 with st.spinner('Cargando predicción...'):
-                    classifier = pipeline("image-classification", model= model_dict[model_choice[0]])
+
+                    classifiers = [pipeline("image-classification", model= model_dict[model_choice[i]]) for i in range(len(model_choice))]
+                    
+                    #classifier = pipeline("image-classification", model= model_dict[model_choice[0]])
                     img = preprocess(uploaded_file, module = 'pil')
-                
-                    classifier = classifier(img) 
 
-                    for clase in classifier:
-                        if clase['label'] == 'Patacon-True':
-                            y_gorrito = clase["score"]
+
+                    def vit_ensemble(classifier_list, img):
+                        for classifier in classifier_list:
+                            classifier = classifier(img)                            
+                            for clase in classifier:
+                                if clase['label'] == 'Patacon-True':
+                                    y_gorrito += clase["score"]
+                        return y_gorrito / len(classifier_list)
+                    
+                    #classifier = classifier(img) 
+
+                    #for clase in classifier:
+                    #    if clase['label'] == 'Patacon-True':
+                    #        y_gorrito = clase["score"]
                 
                 #y_gorrito = classifier[0]["score"]
+
+                    y_gorrito = vit_ensemble(classifiers, img)
+                    
                     if round(float(y_gorrito*100)) >= threshold:
                         st.success("¡Patacón Detectado!")
                     else: