Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/epmyas2022/tweets
Este proyecto es la API de un modelo de detección de emociones en imágenes. El modelo fue entrenado con 25000 textos clasisifocados como positivos, negativos o netutrales. El modelo fue entrenado con la librería de machine learning de python tensorflow.
https://github.com/epmyas2022/tweets
Last synced: 8 days ago
JSON representation
Este proyecto es la API de un modelo de detección de emociones en imágenes. El modelo fue entrenado con 25000 textos clasisifocados como positivos, negativos o netutrales. El modelo fue entrenado con la librería de machine learning de python tensorflow.
- Host: GitHub
- URL: https://github.com/epmyas2022/tweets
- Owner: epmyas2022
- Created: 2024-03-02T19:41:23.000Z (9 months ago)
- Default Branch: main
- Last Pushed: 2024-03-15T12:42:18.000Z (8 months ago)
- Last Synced: 2024-07-12T19:59:03.946Z (4 months ago)
- Language: Python
- Homepage:
- Size: 6.84 KB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# API With Model Emotion Detection
Este proyecto es la API de un modelo de detección de emociones en imágenes. El modelo fue entrenado con 25000 textos
clasisifocados como positivos, negativos o netutrales. El modelo fue entrenado con la librería de machine learning de python tensorflow.
> [!NOTE]
> Este proyecto es una practica de la creación de una API con un modelo de machine learning. El modelo fue entrenado con 25000 textos
## Requisitos
- Python 3.10
- Pip
- Docker (Opcional)
- Docker Compose (Opcional)
## Instalación de dependencias
Para instalar las dependencias del proyecto, se debe ejecutar el siguiente comando:
```bash
pip install -r requirements.txt
```
## Descargar conjunto de datos
Para descargar el conjunto de datos, se debe ejecutar el siguiente comando:
```bash
cd data
```
```bash
gdown --id 1TPi3PMkvDjgKzjo1f1gQtwXd_VA94P0j
```
## Entrenamiento del modelo
Para entrenar el modelo, se debe ejecutar el siguiente comando:
```bash
python3 model.py
```
Para ejecutar las pruebas del modelo, se debe ejecutar el siguiente comando:
```bash
python3 pedict.py
```
## Ejecución del proyecto
Para ejecutar el proyecto, se debe ejecutar el siguiente comando:
```bash
uvicorn main:app --reload
```
## Ejecución del proyecto con Docker
Para ejecutar el proyecto con Docker, se debe ejecutar el siguiente comando:
```bash
docker-compose up -d
```
## Documentación de la API
La documentación de la API se encuentra en la siguiente URL:
`localhost:8000/docs`
## ENDPOINT
### GET HTTP://BASE_URL/{predict}
Este endpoint recibe una oracion y devuelve:
- `Predict` (**String**): La predicción de la emoción de la oración.
- `Probabilities` (**Dict**): Las probabilidades de cada emoción.
- `Text` (**String**): La oración que se predijo.
## Ejemplo
### Request
```json
{
"Text": "I am happy"
}
```
### Response
```json
{
"Text": "I am happy",
"Posibilities": {
"negative": 8,
"positive": 88,
"neutral": 4
},
"Predict": "positive"
}
```