alramil commited on
Commit
86ffd38
·
verified ·
1 Parent(s): d2865d3

Update app.py

Browse files
Files changed (1) hide show
  1. app.py +11 -26
app.py CHANGED
@@ -1,39 +1,24 @@
1
  import gradio as gr
2
- from fastai.vision.all import *
3
- from pathlib import Path
4
 
5
- # 1) Recrea los transforms de inferencia (idénticos a los de entrenamiento)
6
- item_tfms = Resize(512)
7
- batch_tfms = [*aug_transforms(max_rotate=15, flip_vert=True, size=256),
8
- Normalize.from_stats(*imagenet_stats)]
9
 
10
- # 2) Construye unos DataLoaders dummy (no se usarán datos, solo para el learner)
11
- # Indicamos un path vacío: no cargará imágenes, pero nos sirve para hacer learner.load
12
- dls = ImageDataLoaders.from_folder(
13
- Path("."), valid_pct=0.0, seed=42,
14
- item_tfms=item_tfms, batch_tfms=batch_tfms,
15
- )
16
-
17
- # 3) Crea el learner con la arquitectura y métricas
18
- learn = cnn_learner(
19
- dls, resnet34,
20
- metrics=[accuracy, Precision(average="weighted"), Recall(average="weighted")]
21
- )
22
-
23
- # 4) Carga *solo* los pesos que subiste como tobacco_weights.pth
24
- learn.load("tobacco_weights") # sin extensión .pth
25
 
26
  def predict_image(img):
27
- pred, idx, probs = learn.predict(img)
 
28
  return {str(pred): float(probs[idx])}
29
 
30
- # 5) Interfaz Gradio
31
  iface = gr.Interface(
32
  fn=predict_image,
33
- inputs=gr.Image(type="pil", label="Sube una imagen Tobacco"),
34
  outputs=gr.Label(num_top_classes=3, label="Predicciones"),
35
- title="Clasificador Tobacco-3482",
36
- description="Carga tu imagen y recibe las 3 clases más probables."
37
  )
38
 
39
  if __name__ == "__main__":
 
1
  import gradio as gr
2
+ from fastai.vision.all import load_learner, PILImage
 
3
 
4
+ # 1. Carga directa de los pesos en un learner preconfigurado
5
+ learn = load_learner('export.pkl') if Path('export.pkl').exists() \
6
+ else load_learner('model.pkl') # por si lo quieres probar
 
7
 
8
+ # 2. O, si usas la opción 2 con .save():
9
+ # from fastai.vision.all import cnn_learner, resnet34, imagenet_stats
10
+ # learn = cnn_learner(dls=None, arch=resnet34, metrics=[], cbs=[])
11
+ # learn.load('tobacco_weights')
 
 
 
 
 
 
 
 
 
 
 
12
 
13
  def predict_image(img):
14
+ # img ya es PILImage si usas type="pil"
15
+ pred, idx, probs = learn.predict(PILImage.create(img))
16
  return {str(pred): float(probs[idx])}
17
 
 
18
  iface = gr.Interface(
19
  fn=predict_image,
20
+ inputs=gr.Image(type="pil", label="Sube una imagen"),
21
  outputs=gr.Label(num_top_classes=3, label="Predicciones"),
 
 
22
  )
23
 
24
  if __name__ == "__main__":