feat (interfaz): Actualizar interfaz gradio

app.py

@@ -632,11 +632,11 @@ def crear_interfaz() -> Tuple[gr.Blocks, str]:
         # Encabezado
         gr.Markdown(
             """
-        # 🥔 Clasificador de Calidad de Papas - Comparación de Modelos
-        ### Vision Transformer (ViT-Base/16) - Fine-Tuning vs Transfer Learning
+        # 🥔 Clasificador de Calidad de Papas
+        ### Vision Transformer (ViT-Base/16) - Fine Tuning parcial y Transfer Learning
         
-        Sube una imagen de papa (Chaucha o Chola) para compara el rendimiento de dos modelos entrenados.
-        El sistema muestra resultados lado a lado, destacando con **borde dorado** 👑 el modelo con mayor confianza.
+        Sube una imagen de un tubérculo de papa (Chaucha o Chola) para compara el rendimiento de dos modelos entrenados.
+        El sistema muestra los resultados, destacando con **borde dorado** el modelo con mayor confianza.
         """
         )
 
@@ -657,10 +657,10 @@ def crear_interfaz() -> Tuple[gr.Blocks, str]:
                 )
 
                 boton_predecir = gr.Button(
-                    "🔍 Analizar con Ambos Modelos", variant="primary", size="lg"
+                    "🔍 Clasificar", variant="primary", size="lg"
                 )
                 boton_limpiar = gr.ClearButton(
-                    components=[imagen_entrada], value="🗑️ Limpiar", size="sm"
+                    components=[imagen_entrada], value="🗑️ Limpiar", size="md"
                 )
 
             with gr.Column(scale=2):
@@ -674,7 +674,7 @@ def crear_interfaz() -> Tuple[gr.Blocks, str]:
         gr.Markdown("### 🔥 Mapas de Atención (Grad-CAM)")
         with gr.Row():
             with gr.Column(scale=1):
-                gr.Markdown("#### Modelo FT (Fine-Tuning)")
+                gr.Markdown("#### Modelo FT (Fine Tuning parcial)")
                 imagen_gradcam_ft = gr.Image(label="Grad-CAM - Modelo FT", height=350)
 
             with gr.Column(scale=1):
@@ -692,8 +692,8 @@ def crear_interfaz() -> Tuple[gr.Blocks, str]:
             ### Detalles Técnicos
             
             - **Modelos**: 
-              - **Modelo FT**: Fine-Tuning completo del ViT-Base/16
-              - **Modelo TL**: Transfer Learning (solo cabeza final entrenada)
+              - **Modelo FT**: Fine Tuning parcial (6 capas) del ViT-Base/16
+              - **Modelo TL**: Transfer Learning (solo cabeza clasificadora entrenada)
             - **Framework**: PyTorch + timm
             - **Dispositivo**: {DISPOSITIVO.upper()}
             - **Visualización**: EigenCAM (Grad-CAM para Transformers)
@@ -708,13 +708,13 @@ def crear_interfaz() -> Tuple[gr.Blocks, str]:
             
             ### Criterio de "Ganador"
             
-            El modelo con **mayor confianza** en su predicción se destaca con un **borde dorado** 👑.
+            El modelo con **mayor confianza** en su predicción se destaca con un **borde dorado**.
             Esto no necesariamente significa que sea correcto, solo que está más seguro de su decisión.
             
             ### Sobre el Entrenamiento
             
-            - **Modelo FT**: Todos los pesos ajustados con el dataset de papas
-            - **Modelo TL**: Solo la capa de clasificación final entrenada
+            - **Modelo FT**: Los pesos de las 6 capas superiores han sido ajustados con el dataset de papas.
+            - **Modelo TL**: Solo la capa de clasificación final entrenada.
             
             Ambos modelos fueron entrenados con imágenes de tubérculos de papas Chaucha y Chola, 
             capturando 3 tipos de defectos (brotes, podridas y cortadas) en condiciones de iluminación controlada.