app.py

from fastapi import FastAPI, File, UploadFile, HTTPException
import cv2
import numpy as np
from PIL import Image
import io
import base64
from transformers import AutoModelForImageClassification, AutoFeatureExtractor
import torch

app = FastAPI()

# Cargar el modelo preentrenado para clasificación de género
model_name = "nateraw/bert-imagenet"  # Cambiar a un modelo adecuado si se encuentra uno más específico
model = AutoModelForImageClassification.from_pretrained(model_name)
feature_extractor = AutoFeatureExtractor.from_pretrained(model_name)

@app.post("/detect/")
async def detect_face(file: UploadFile = File(...)):
    try:
        # Leer y preparar la imagen
        image_bytes = await file.read()
        image = Image.open(io.BytesIO(image_bytes))
        img_np = np.array(image)

        if img_np.shape[2] == 4:
            img_np = cv2.cvtColor(img_np, cv2.COLOR_BGRA2BGR)

        # Detección de rostros con OpenCV
        face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
        gray = cv2.cvtColor(img_np, cv2.COLOR_BGR2GRAY)
        faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30))

        if len(faces) == 0:
            raise HTTPException(status_code=404, detail="No se detectaron rostros en la imagen.")

        result_data = []
        for (x, y, w, h) in faces:
            # Extraer cada rostro
            face_img = img_np[y:y+h, x:x+w]
            face_img_pil = Image.fromarray(cv2.cvtColor(face_img, cv2.COLOR_BGR2RGB)).resize((224, 224))

            # Clasificar el rostro
            inputs = feature_extractor(images=face_img_pil, return_tensors="pt")
            outputs = model(**inputs)
            predicted_class = outputs.logits.argmax(dim=-1).item()
            label = model.config.id2label[predicted_class]

            # Dibujar rectángulo y agregar datos
            cv2.rectangle(img_np, (x, y), (x+w, y+h), (255, 0, 0), 2)
            result_data.append({
                "coordenadas": [int(x), int(y), int(w), int(h)],
                "sexo": label
            })

        # Preparar imagen resultante
        result_image = Image.fromarray(cv2.cvtColor(img_np, cv2.COLOR_BGR2RGB))
        img_byte_arr = io.BytesIO()
        result_image.save(img_byte_arr, format='JPEG')
        img_byte_arr = img_byte_arr.getvalue()

        # Respuesta
        return {
            "message": "Rostros detectados",
            "resultados": result_data,
            "imagen_base64": base64.b64encode(img_byte_arr).decode('utf-8')
        }

    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))