Fix: Docker auto --no-wandb, include models/ for API

Author: afarresg

.dockerignore

@@ -6,8 +6,7 @@ __pycache__/
 *.pyc
 *.pyo
 .pytest_cache/
-models/
-logs/
+# models/ y logs/ se incluyen para que la API tenga el modelo entrenado
 data/
 notebook/
 wandb/

README.md

@@ -66,13 +66,16 @@ pytest tests/ -v
 ```bash
 docker build -t pistachio-mlops .
 
-# Entrenamiento (por defecto)
+# Entrenamiento (por defecto, usa --no-wandb si no hay WANDB_API_KEY)
 docker run --gpus all pistachio-mlops
 
 # Entrenamiento sin GPU
 docker run pistachio-mlops
 
-# API de inferencia
+# Entrenamiento con W&B
+docker run -e WANDB_API_KEY=tu_key pistachio-mlops
+
+# API de inferencia (el modelo debe estar en models/ al hacer build)
 docker run -p 8000:8000 -e MODE=api pistachio-mlops
 ```
 
@@ -82,6 +85,7 @@ docker run -p 8000:8000 -e MODE=api pistachio-mlops
 - `POST /predict` - Clasifica una imagen de pistacho (multipart/form-data, campo `file`)
 
 Ejemplo:
+
 ```bash
 curl -X POST http://localhost:8000/predict -F "file=@pistacho.jpg"
 ```
@@ -92,22 +96,23 @@ Sweep: https://wandb.ai/14farresa-/pistachio-mlops/sweeps/2147j105
 Proyecto: https://wandb.ai/14farresa-/pistachio-mlops
 
 El proyecto incluye un W&B Report con:
+
 - Resultados del sweep (learning rate, batch size, modelo)
 - Comparacion de arquitecturas (BatchNorm vs Dropout)
 - Metricas finales (accuracy, F1, matriz de confusion)
 
 ### Resultados del sweep
 
-| LR | Batch | Modelo | Test Acc | Test F1 |
-|----|-------|--------|----------|---------|
-| 0.001 | 32 | cnn_batchnorm | 0.931 | 0.929 |
-| 0.001 | 32 | cnn_dropout | 0.891 | 0.888 |
-| 0.01 | 32 | cnn_batchnorm | **0.929** | **0.926** |
-| 0.01 | 32 | cnn_dropout | 0.599 | 0.375 |
-| 0.001 | 64 | cnn_batchnorm | 0.922 | 0.920 |
-| 0.001 | 64 | cnn_dropout | 0.916 | 0.914 |
-| 0.01 | 64 | cnn_batchnorm | 0.925 | 0.923 |
-| 0.01 | 64 | cnn_dropout | 0.599 | 0.375 |
+| LR    | Batch | Modelo        | Test Acc  | Test F1   |
+| ----- | ----- | ------------- | --------- | --------- |
+| 0.001 | 32    | cnn_batchnorm | 0.931     | 0.929     |
+| 0.001 | 32    | cnn_dropout   | 0.891     | 0.888     |
+| 0.01  | 32    | cnn_batchnorm | **0.929** | **0.926** |
+| 0.01  | 32    | cnn_dropout   | 0.599     | 0.375     |
+| 0.001 | 64    | cnn_batchnorm | 0.922     | 0.920     |
+| 0.001 | 64    | cnn_dropout   | 0.916     | 0.914     |
+| 0.01  | 64    | cnn_batchnorm | 0.925     | 0.923     |
+| 0.01  | 64    | cnn_dropout   | 0.599     | 0.375     |
 
 **Conclusion:** BatchNorm supera significativamente a Dropout. LR=0.01 con Dropout colapsa (predice solo una clase).
 

entrypoint.sh

@@ -7,8 +7,13 @@ if [ "$MODE" = "api" ]; then
     echo "Arrancando API de inferencia..."
     exec uvicorn src.api_inferencia:app --host 0.0.0.0 --port ${PORT:-8000}
 elif [ "$MODE" = "train" ]; then
+    WANDB_ARGS=""
+    if [ -z "$WANDB_API_KEY" ]; then
+        echo "WANDB_API_KEY no definida, ejecutando sin W&B."
+        WANDB_ARGS="--no-wandb"
+    fi
     echo "Arrancando entrenamiento..."
-    exec python src/main.py configuracion.yaml
+    exec python src/main.py configuracion.yaml $WANDB_ARGS
 else
     echo "MODE desconocido: $MODE. Usa 'train' o 'api'."
     exit 1