README.md

---
license: apache-2.0
tags:
- trained with 8 images 4 of dog 4 of cat
language:
- es
---
# Model Card for Model ID

<!-- Provide a quick summary of what the model is/does. -->

This modelcard aims to be a base template for new models. It has been generated using [this raw template](https://github.com/huggingface/huggingface_hub/blob/main/src/huggingface_hub/templates/modelcard_template.md?plain=1).

## Model Details

### Model Description

<!-- Provide a longer summary of what this model is. -->

trained with 8 images 4 of dog 4 of cat

 High effectiveness rate, 

 fast, effective and light model 💯💯

 ‵‵‵import tensorflow as tf
import numpy as np
from google.colab import files
from PIL import Image
import os

# --- PASO 1: CARGAR EL MODELO ENTRENADO ---
MODEL_PATH = '/content/modelo_perro_gato.h5'

if not os.path.exists(MODEL_PATH):
    print(f"❌ ERROR: No se encontró el modelo en la ruta: {MODEL_PATH}")
    print("Por favor, ejecuta primero el script de entrenamiento para generar el archivo del modelo.")
else:
    try:
        model = tf.keras.models.load_model(MODEL_PATH)
        print(f"✅ Modelo '{os.path.basename(MODEL_PATH)}' cargado exitosamente.")

        # --- PASO 2: SUBIR IMAGEN Y REALIZAR PREDICCIÓN ---
        print("\nPor favor, sube una imagen de un perro o un gato:")
        uploaded = files.upload()

        # Procesar la imagen subida
        for filename in uploaded.keys():
            print(f"\nProcesando imagen: '{filename}'...")
            
            # Cargar y preprocesar la imagen
            img = tf.keras.utils.load_img(filename, target_size=(224, 224))
            img_array = tf.keras.utils.img_to_array(img)
            img_array_expanded = np.expand_dims(img_array, axis=0)
            
            # Es importante aplicar el mismo preprocesamiento que durante el entrenamiento
            preprocessed_img = tf.keras.applications.efficientnet.preprocess_input(img_array_expanded)

            # Realizar la predicción
            prediction = model.predict(preprocessed_img)
            score = prediction[0][0]
            
            # Decodificar y mostrar el resultado final
            if score < 0.5:
                clase_predicha = "GATO"
                confianza = 100 * (1 - score)
            else:
                clase_predicha = "PERRO"
                confianza = 100 * score
            
            print("\n" + "="*30)
            print(f"   RESULTADO: ¡ES UN {clase_predicha}!")
            print(f"   Confianza: {confianza:.2f}%")
            print("="*30)

    except Exception as e:
        print(f"❌ Ocurrió un error inesperado: {e}")‵‵‵