app.py

import streamlit as st
import tensorflow as tf
import keras
import numpy as np
from PIL import Image

import requests
from streamlit_lottie import st_lottie

# Funcion para cargar la animacion de lottie
def load_lottieurl(url):
  r = requests.get(url)
  if r.status_code != 200:
    return None
  return r.json()

lottie_faces = load_lottieurl("https://lottie.host/7ea78645-0d4e-4648-a015-fb58331ac7d7/47FTHHimCQ.json")

# Load the model
model = tf.keras.models.load_model("/content/modelo_celeba_50e.h5", compile=False)

st.subheader("Machine Learning para Producción - Módulo 03")
st.markdown("<h5>Tarea Streamlit</h5>", unsafe_allow_html=True)
st.write("---")

with st.container():
  columna_1, columna_2 = st.columns(2)
  with columna_1:
    st.title("Implementación CelebA")
    st.markdown("<h3>Clasificador de rostros</h3>", unsafe_allow_html=True)
  with columna_2:
    st_lottie(lottie_faces, height = 200, key= "faces")

st.write("""
CelebA es un conjunto de datos de imágenes de rostros de celebridades utilizado en inteligencia artificial para entrenar sistemas de reconocimiento facial y otras tareas relacionadas con la visión por computadora. Contiene más de 200,000 imágenes etiquetadas con atributos como edad, género y expresión facial. Es ampliamente utilizado por investigadores y desarrolladores en el campo del aprendizaje automático.
""")
st.write("---")

with st.container():
  uploaded_image = st.file_uploader("Cargar imagen")
  foto = uploaded_image

with st.container():
  column1, column2 = st.columns(2)

  if uploaded_image is not None:
      with column1:
        st.image(foto, use_column_width=True)

      with column2:
          # Convert the uploaded file to a PIL Image object
          image = Image.open(uploaded_image).convert('RGB')
          image = image.resize((178,218))
          # Convert the PIL Image object to a NumPy array
          image = np.array(image)/255.0
          image = np.expand_dims(image,axis=0)
          # Make a prediction
          prediction = model.predict(image)
          st.markdown("<h3>Resultados</h3>", unsafe_allow_html=True)

          st.markdown("<h5>Atractivo</h5>", unsafe_allow_html=True)
          st.write(f"{np.round(prediction[0][0], 2)}%")
          if prediction[0][0] >= 0.5:
            st.write(f"Es una persona atractiva")
          else:
            st.write(f"No es alguien tan atractivo")

          st.markdown("<h5>Sexo</h5>", unsafe_allow_html=True)
          st.write(f"{np.round(prediction[0][1], 2)}%")
          if prediction[0][1] >= 0.5:
            st.write(f"Es Hombre")
          else:
            st.write(f"Es Mujer")

          st.markdown("<h5>Lentes</h5>", unsafe_allow_html=True)
          st.write(f"{np.round(prediction[0][2], 2)}%")
          if prediction[0][2] >= 0.5:
            st.write(f"Trae lentes")
          else:
            st.write(f"No trae lentes")

          st.markdown("<h5>Bigote / Barba</h5>", unsafe_allow_html=True)
          st.write(f"{np.round(prediction[0][3], 2)}%")
          if prediction[0][3] >= 0.5:
            st.write(f"Tiene un bigote")
          else:
            st.write(f"No tiene bigote")

  else:
    pass

st.write("---")
st.write("""
## <font size="4">*Este es un descargo de responsabilidad estándar que puedes personalizar según tus necesidades. Aquí puedes incluir cualquier información relevante, advertencias legales, exenciones de responsabilidad, etc.*</font>
""", unsafe_allow_html=True)