Este proyecto presenta un clasificador automático de especies de Iris, utilizando el famoso dataset de Iris. Mediante algoritmos de machine learning, el modelo es capaz de identificar y categorizar las flores en tres especies: Iris-setosa, Iris-versicolor e Iris-virginica. El clasificador aprovecha características como la longitud y anchura de los sépalos y pétalos para realizar una clasificación precisa y eficiente.

• Python 3.x
• TensorFlow
• Gradio
• Numpy
• Pandas
• scikit-learn

1. Clona el repositorio:

   git clone https://github.com/NelsonAIDev/Iris.git
   cd Iris

2. Instala las dependencias:

   pip install -r requirements.txt

3. Asegúrate de tener el archivo iris.h5 (modelo entrenado) y iris.csv (dataset) en el mismo directorio que main.py.

Para ejecutar la aplicación, simplemente corre el siguiente comando:

python main.py 

Esto abrirá una interfaz de Gradio en tu navegador donde podrás ajustar los valores de longitud y anchura de sépalos y pétalos para predecir la especie de la flor.

Contiene el código principal para cargar el modelo, preprocesar los datos, y lanzar la interfaz de Gradio.

Modelo preentrenado para la clasificación de las especies de Iris.

Dataset de Iris utilizado para el entrenamiento y evaluación del modelo.

Lista de dependencias necesarias para ejecutar el proyecto.

El modelo entrenado se carga desde el archivo iris.h5. Los datos del dataset se leen desde iris.csv y se preprocesan utilizando LabelEncoder. La función prediccion toma las características de entrada (longitud y anchura de sépalos y pétalos) y devuelve la especie predicha utilizando el modelo cargado. Se configura una interfaz de usuario con Gradio, donde los usuarios pueden ajustar los valores de las características mediante sliders y obtener la predicción de la especie en un cuadro de texto.

Este proyecto utiliza el dataset de Iris disponible públicamente, y se ha desarrollado utilizando bibliotecas de código abierto como TensorFlow, Gradio, Numpy, Pandas y scikit-learn.