Hecho

pages/pred_imagen.py

@@ -1,30 +1,30 @@
-import streamlit as st
-from PIL import Image
-import numpy as np
-from utils import predict_imagen
-
-# Título de la aplicación
-st.title('Predicción de imágenes')
-
-# Cargar la imagen
-uploaded_file = st.file_uploader("Cargar imagen", type=["jpg", "jpeg", "png"])
-
-# Si se carga una imagen
-if uploaded_file is not None:
-    # Mostrar la imagen
-    st.write('**Vista Previa de la imagen cargada:**')
-    image = Image.open(uploaded_file).resize((32, 32))
-    st.image(image, caption='Imagen cargada', use_column_width=True)
-
-    # Convertir la imagen a una matriz de valores de píxeles
-    image = np.array(image) / 255.0  # Normalizar los valores de píxeles
-
-    # Botón para realizar la predicción con las columnas seleccionadas
-    if st.button('Realizar Predicción de la categoría de la imagen'):
-        # Predecirla
-        pred = predict_imagen(image)
-
-        # Mostrar los resultados de la predicción
-        st.success('Éxito al realizar la predicción!')
-        st.write('La categoría predicha para la imagen:')
+import streamlit as st
+from PIL import Image
+import numpy as np
+from utils import predict_imagen
+
+# Título de la aplicación
+st.title('Predicción de imágenes')
+
+# Cargar la imagen
+uploaded_file = st.file_uploader("Cargar imagen", type=["jpg", "jpeg", "png"])
+
+# Si se carga una imagen
+if uploaded_file is not None:
+    # Mostrar la imagen
+    st.write('**Vista Previa de la imagen cargada:**')
+    image = Image.open(uploaded_file).resize((32, 32))
+    st.image(image, caption='Imagen cargada', use_column_width=True)
+
+    # Convertir la imagen a una matriz de valores de píxeles
+    image = np.array(image) / 255.0  # Normalizar los valores de píxeles
+    
+    # Botón para realizar la predicción con las columnas seleccionadas
+    if st.button('Realizar Predicción de la categoría de la imagen'):
+        # Predecirla
+        pred = predict_imagen(image)
+
+        # Mostrar los resultados de la predicción
+        st.success('Éxito al realizar la predicción!')
+        st.write('La categoría predicha para la imagen:')
         st.write(pred)

pages/pred_iris_csv.py

@@ -1,46 +1,46 @@
-import streamlit as st
-import pandas as pd
-from utils import predict_flores
-
-# Título de la aplicación
-st.title('Predicción de flores desde un archivo CSV')
-st.image('iris.jpg', caption='Imagen de iris', use_column_width=True)
-
-# Widget para cargar un archivo CSV
-uploaded_file = st.file_uploader("Selecciona un archivo CSV", type=['csv'])
-
-# Si se carga un archivo
-if uploaded_file is not None:
-    # Leer el archivo CSV en un DataFrame
-    df = pd.read_csv(uploaded_file)
-
-    # Mostrar una vista previa de los primeros registros del DataFrame
-    st.write('**Vista Previa del DataFrame:**')
-    st.write(df.head())
-
-    # Sección para realizar la predicción
-    st.subheader('Realizar la predicción')
-
-    # Widget para seleccionar las columnas a utilizar para la predicción
-    feature_cols = st.multiselect('Selecciona las columnas para la predicción', df.columns)
-
-    # Botón para realizar la predicción con las columnas seleccionadas
-    if st.button('Realizar Predicción con CSV'):
-        # Realizar la predicción utilizando las columnas seleccionadas
-        predicted_values = predict_flores(df[feature_cols])
-
-        # Mostrar los resultados de la predicción
-        st.success('Éxito al realizar la predicción!')
-        st.write('Los resultados de la predicción son:')
-        st.write(predicted_values)
-
-        # Convertir los resultados de la predicción a un DataFrame
-        predictions_df = pd.DataFrame(predicted_values, columns=['Predicciones'])
-
-        # Widget para descargar el archivo CSV de las predicciones
-        st.subheader('Descargar Predicciones como CSV')
-        st.download_button(label='Descargar CSV',
-            data=predictions_df.to_csv(index=False),
-            file_name='predicciones.csv',
-            mime='text/csv')
-
+import streamlit as st
+import pandas as pd
+from utils import predict_flores
+
+# Título de la aplicación
+st.title('Predicción de flores desde un archivo CSV')
+st.image('Streamlit-Tutorial/iris.jpg', caption='Imagen de iris', use_column_width=True)
+
+# Widget para cargar un archivo CSV
+uploaded_file = st.file_uploader("Selecciona un archivo CSV", type=['csv'])
+
+# Si se carga un archivo
+if uploaded_file is not None:
+    # Leer el archivo CSV en un DataFrame
+    df = pd.read_csv(uploaded_file)
+
+    # Mostrar una vista previa de los primeros registros del DataFrame
+    st.write('**Vista Previa del DataFrame:**')
+    st.write(df.head())
+
+    # Sección para realizar la predicción
+    st.subheader('Realizar la predicción')
+
+    # Widget para seleccionar las columnas a utilizar para la predicción
+    feature_cols = st.multiselect('Selecciona las columnas para la predicción', df.columns)
+
+    # Botón para realizar la predicción con las columnas seleccionadas
+    if st.button('Realizar Predicción con CSV'):
+        # Realizar la predicción utilizando las columnas seleccionadas
+        predicted_values = predict_flores(df[feature_cols])
+
+        # Mostrar los resultados de la predicción
+        st.success('Éxito al realizar la predicción!')
+        st.write('Los resultados de la predicción son:')
+        st.write(predicted_values)
+
+        # Convertir los resultados de la predicción a un DataFrame
+        predictions_df = pd.DataFrame(predicted_values, columns=['Predicciones'])
+
+        # Widget para descargar el archivo CSV de las predicciones
+        st.subheader('Descargar Predicciones como CSV')
+        st.download_button(label='Descargar CSV',
+            data=predictions_df.to_csv(index=False),
+            file_name='predicciones.csv',
+            mime='text/csv')
+

pages/pred_iris_man.py

@@ -1,33 +1,33 @@
-import streamlit as st
-import pandas as pd
-from utils import predict_flores
-
-# Título de la aplicación
-st.title('Predicción manual de flores')
-st.image('iris.jpg', caption='Imagen de iris', use_column_width=True)
-
-# Texto introductorio
-st.write('**Ingresa los datos manualmente para realizar la predicción de la flor:**')
-
-# Diccionario para almacenar los datos de entrada
-input_data = {}
-
-# Lista de columnas para las características de la flor
-columns = ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
-
-# Bucle para recorrer las columnas y obtener los datos de entrada
-for col in columns:
-    # Widget de entrada numérica para cada característica
-    input_data[col] = st.number_input(col, value=0.0)
-
-# Botón para realizar la predicción
-if st.button('Realizar Predicción'):
-    # Convertir el diccionario de entrada a un DataFrame de una sola fila
-    input_df = pd.DataFrame([input_data])
-
-    # Realizar la predicción utilizando la función predict_flores
-    predicted_value = predict_flores(input_df)
-
-    # Mostrar el resultado de la predicción
-    st.success('Éxito al realizar la predicción!')
+import streamlit as st
+import pandas as pd
+from utils import predict_flores
+
+# Título de la aplicación
+st.title('Predicción manual de flores')
+st.image('Streamlit-Tutorial/iris.jpg', caption='Imagen de iris', use_column_width=True)
+
+# Texto introductorio
+st.write('**Ingresa los datos manualmente para realizar la predicción de la flor:**')
+
+# Diccionario para almacenar los datos de entrada
+input_data = {}
+
+# Lista de columnas para las características de la flor
+columns = ['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']
+
+# Bucle para recorrer las columnas y obtener los datos de entrada
+for col in columns:
+    # Widget de entrada numérica para cada característica
+    input_data[col] = st.number_input(col, value=0.0)
+
+# Botón para realizar la predicción
+if st.button('Realizar Predicción'):
+    # Convertir el diccionario de entrada a un DataFrame de una sola fila
+    input_df = pd.DataFrame([input_data])
+
+    # Realizar la predicción utilizando la función predict_flores
+    predicted_value = predict_flores(input_df)
+
+    # Mostrar el resultado de la predicción
+    st.success('Éxito al realizar la predicción!')
     st.write('El resultado de la predicción es:', predicted_value[0])

requirements.txt

@@ -1,5 +1,5 @@
-streamlit
-scikit-learn
-streamlit_extras
-keras
+streamlit
+scikit-learn
+streamlit_extras
+keras
 tensorflow

streamlit_tutorial.py

@@ -1,31 +1,31 @@
-import streamlit as st
-from streamlit_extras.switch_page_button import switch_page
-
-# https://docs.streamlit.io/library/get-started/multipage-apps
-# Local: streamlit run streamlit_tutorial.py
-# Streamlit Sharing 
-# render, heroku, AWS EC2
-
-def main():
-    # Bienvenida y selección del servicio
-    st.title('Bienvenido al portal predictivo de la empresa XYZ')
-    st.write('**Por favor seleccione el servicio predictivo que desea utilizar**')
-
-    # Selección del servicio entre dos opciones
-    opcion = st.radio('Seleccione el servicio:', ('Predicción del tipo de flor', 'Predicción de imagen'), index=None)
-
-    # Redirección a la página del servicio seleccionado
-    if opcion == 'Predicción del tipo de flor':
-        way_to_pred = st.radio('¿Cómo desea realizar la predicción de la flor?', ('Ingresando datos manualmente', 'Subiendo un archivo CSV'), index=None)
-        if way_to_pred == 'Ingresando datos manualmente':
-            # Redirigir a la página de predicción de iris con datos manuales
-            switch_page("pred_iris_man")
-        elif way_to_pred == 'Subiendo un archivo CSV':
-            # Redirigir a la página de predicción de iris con archivo CSV
-            switch_page("pred_iris_csv")
-    elif opcion == 'Predicción de imagen':
-        # Redirigir a la página de predicción de imagen
-        switch_page("pred_imagen")
-
-if __name__ == "__main__":
+import streamlit as st
+from streamlit_extras.switch_page_button import switch_page
+
+# https://docs.streamlit.io/library/get-started/multipage-apps
+# Local: streamlit run streamlit_tutorial.py
+# Streamlit Sharing 
+# render, heroku, AWS EC2
+
+def main():
+    # Bienvenida y selección del servicio
+    st.title('Bienvenido al portal predictivo de la empresa XYZ')
+    st.write('**Por favor seleccione el servicio predictivo que desea utilizar**')
+
+    # Selección del servicio entre dos opciones
+    opcion = st.radio('Seleccione el servicio:', ('Predicción del tipo de flor', 'Predicción de imagen'), index=None)
+
+    # Redirección a la página del servicio seleccionado
+    if opcion == 'Predicción del tipo de flor':
+        way_to_pred = st.radio('¿Cómo desea realizar la predicción de la flor?', ('Ingresando datos manualmente', 'Subiendo un archivo CSV'), index=None)
+        if way_to_pred == 'Ingresando datos manualmente':
+            # Redirigir a la página de predicción de iris con datos manuales
+            switch_page("pred_iris_man")
+        elif way_to_pred == 'Subiendo un archivo CSV':
+            # Redirigir a la página de predicción de iris con archivo CSV
+            switch_page("pred_iris_csv")
+    elif opcion == 'Predicción de imagen':
+        # Redirigir a la página de predicción de imagen
+        switch_page("pred_imagen")
+    
+if __name__ == "__main__":
     main()

train_iris.py

@@ -1,15 +1,15 @@
-from sklearn.linear_model import LogisticRegression
-from sklearn import datasets
-import pickle
-
-# Cargar el dataset de Iris
-iris = datasets.load_iris(as_frame=True)
-X = iris['data']  # Características de las flores
-y = iris['target']  # Etiquetas de las especies de flores
-
-# Entrenar un modelo de regresión logística con los datos de Iris
-log_reg = LogisticRegression().fit(X, y)
-
-# Guardar el modelo entrenado en un archivo 'iris_model.pkl'
-with open('iris_model.pkl', 'wb') as f:
+from sklearn.linear_model import LogisticRegression
+from sklearn import datasets
+import pickle
+
+# Cargar el dataset de Iris
+iris = datasets.load_iris(as_frame=True)
+X = iris['data']  # Características de las flores
+y = iris['target']  # Etiquetas de las especies de flores
+
+# Entrenar un modelo de regresión logística con los datos de Iris
+log_reg = LogisticRegression().fit(X, y)
+
+# Guardar el modelo entrenado en un archivo 'iris_model.pkl'
+with open('models/iris_model.pkl', 'wb') as f:
     pickle.dump(log_reg, f)

utils.py

@@ -1,30 +1,30 @@
-import pickle
-import streamlit as st
-from keras.models import load_model
-import tensorflow as tf
-
-def predict_flores(data):
-    # Cargar el modelo previamente entrenado para predecir el tipo de flor
-    model = pickle.load(open('models/iris_model.pkl', "rb"))
-    # Realizar la predicción con los datos proporcionados
-    predictions = model.predict(data) 
-    return predictions
-
-def predict_imagen(imagen):
-    # Añadir una dimensión extra (lote)
-    imagen = imagen.reshape((1, 32, 32, 3))
-    # Cargar el modelo desde el archivo
-    model = load_model('models/modelo_cifar_10.h5')
-    # Realizar la predicción
-    predictions = model.predict(imagen)
-    predicted_class = tf.argmax(predictions[0]).numpy()
-    # Obtener el nombre de la clase predicha
-    class_names = ['avión', 'automóvil', 'pájaro', 'gato', 'ciervo', 'perro', 'rana', 'caballo', 'barco', 'camión']
-    return class_names[predicted_class]
-
-def check_client_id(client_id):
-    # Simulación
-    # Cargar credenciales para la BBDD de la empresa y consultar si el identificador del cliente está activo 
-    api_key = st.secrets["DB_USERNAME"]
-    ls_ids = [123,12345,12345678]
+import pickle
+import streamlit as st
+from keras.models import load_model
+import tensorflow as tf
+
+def predict_flores(data):
+    # Cargar el modelo previamente entrenado para predecir el tipo de flor
+    model = pickle.load(open('Streamlit-Tutorial/models/iris_model.pkl', "rb"))
+    # Realizar la predicción con los datos proporcionados
+    predictions = model.predict(data) 
+    return predictions
+
+def predict_imagen(imagen):
+    # Añadir una dimensión extra (lote)
+    imagen = imagen.reshape((1, 32, 32, 3))
+    # Cargar el modelo desde el archivo
+    model = load_model('Streamlit-Tutorial/models/modelo_cifar_10.h5')
+    # Realizar la predicción
+    predictions = model.predict(imagen)
+    predicted_class = tf.argmax(predictions[0]).numpy()
+    # Obtener el nombre de la clase predicha
+    class_names = ['avión', 'automóvil', 'pájaro', 'gato', 'ciervo', 'perro', 'rana', 'caballo', 'barco', 'camión']
+    return class_names[predicted_class]
+
+def check_client_id(client_id):
+    # Simulación
+    # Cargar credenciales para la BBDD de la empresa y consultar si el identificador del cliente está activo 
+    api_key = st.secrets["DB_USERNAME"]
+    ls_ids = [123,12345,12345678]
     return True if client_id in ls_ids else False