Fix: README completo (estructura, wandb login, smoke test Docker, --rm, ) + entrypoint.sh forward args

Author: afarresg

README.md

@@ -5,8 +5,9 @@ Clasificador de pistachos (Kirmizi vs Siirt) usando Deep Learning con PyTorch Li
 ## Estructura del proyecto
 
 ```
+.
 ├── config/
-│   └── configuracion.yaml     # Hiperparametros externalizados
+│   └── configuracion.yaml     # Hiperparametros externalizados (solo los del modelo)
 ├── src/
 │   ├── main.py                # Entrypoint CLI (train/sweep)
 │   ├── train.py               # Entrenamiento con W&B logging
@@ -17,11 +18,17 @@ Clasificador de pistachos (Kirmizi vs Siirt) usando Deep Learning con PyTorch Li
 │   ├── utils.py               # load_config, get_project_root
 │   └── logging_config.py      # Configuracion de logging
 ├── tests/                     # Tests unitarios
-├── notebook/                  # Notebook exploratorio original
+│   ├── test_api.py
+│   ├── test_data_module.py
+│   ├── test_model.py
+│   └── test_utils.py
+├── notebook/
+│   └── pistachio.ipynb        # Notebook exploratorio original
 ├── Dockerfile                 # Containerizacion (MODE=train|api)
 ├── entrypoint.sh              # Entrypoint flexible
 ├── .github/workflows/ci.yml   # CI/CD con GitHub Actions
-└── requirements.txt           # Dependencias
+├── requirements.txt           # Dependencias
+└── pytest.ini
 ```
 
 ## Dataset
@@ -33,6 +40,7 @@ Clasificador de pistachos (Kirmizi vs Siirt) usando Deep Learning con PyTorch Li
 Editar `config/configuracion.yaml` (solo hiperparametros del modelo):
 
 - `model_type`: `cnn_batchnorm` o `cnn_dropout`
+- `semilla`: semilla para reproducibilidad
 - `learning_rate`, `batch_size`, `max_epochs`, `patience`
 - `dropout_rate`
 - `wandb_project`: nombre del proyecto en W&B
@@ -44,13 +52,16 @@ El resto (`output_size=2`, `image_size=28`, splits, etc.) son constantes de arqu
 ```bash
 pip install -r requirements.txt
 
+# Antes de usar W&B, hacer login una vez (o pasar --no-wandb)
+wandb login
+
 # Entrenamiento simple
 python src/main.py configuracion.yaml
 
 # Sin W&B (offline)
 python src/main.py configuracion.yaml --no-wandb
 
-# Smoke test (10% datos, 3 epocas)
+# Smoke test (10% datos)
 python src/main.py configuracion.yaml --no-wandb --data-fraction 0.1
 
 # W&B Sweep (grid search)
@@ -71,17 +82,20 @@ pytest tests/ -v
 ```bash
 docker build -t pistachio-mlops .
 
-# Entrenamiento (por defecto, usa --no-wandb si no hay WANDB_API_KEY)
-docker run --gpus all pistachio-mlops
+# Entrenamiento (auto --no-wandb si no hay WANDB_API_KEY)
+docker run --rm --gpus all pistachio-mlops
 
 # Entrenamiento sin GPU
-docker run pistachio-mlops
+docker run --rm pistachio-mlops
 
 # Entrenamiento con W&B
-docker run -e WANDB_API_KEY=tu_key pistachio-mlops
+docker run --rm -e WANDB_API_KEY=tu_key pistachio-mlops
+
+# Smoke test (10% datos)
+docker run --rm -e MODE=train pistachio-mlops --data-fraction 0.1
 
 # API de inferencia (el modelo debe estar en models/ al hacer build)
-docker run -p 8000:8000 -e MODE=api pistachio-mlops
+docker run --rm -p 8000:8000 -e MODE=api pistachio-mlops
 ```
 
 ## API Endpoints
@@ -95,13 +109,18 @@ Ejemplo:
 curl -X POST http://localhost:8000/predict -F "file=@pistacho.jpg"
 ```
 
+Respuesta:
+
+```json
+{"class":"Kirmizi_Pistachio","confidence":0.92,"probabilities":{"Kirmizi_Pistachio":0.92,"Siirt_Pistachio":0.08}}
+```
+
 ## W&B Report
 
-Sweep: https://wandb.ai/14farresa-/pistachio-mlops/sweeps/2147j105
-Proyecto: https://wandb.ai/14farresa-/pistachio-mlops
+- Proyecto: https://wandb.ai/14farresa-/pistachio-mlops
+- Sweep: https://wandb.ai/14farresa-/pistachio-mlops/sweeps/2147j105
 
 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)

entrypoint.sh

@@ -13,7 +13,7 @@ elif [ "$MODE" = "train" ]; then
         WANDB_ARGS="--no-wandb"
     fi
     echo "Arrancando entrenamiento..."
-    exec python src/main.py configuracion.yaml $WANDB_ARGS
+    exec python src/main.py configuracion.yaml $WANDB_ARGS "$@"
 else
     echo "MODE desconocido: $MODE. Usa 'train' o 'api'."
     exit 1