Update app.py

app.py

@@ -1,42 +1,31 @@
-from fastai.vision.all import *
 import gradio as gr
+from PIL import Image
+import torch
+from torchvision import transforms
+from transformers import AutoModelForImageClassification, AutoFeatureExtractor
 
-# ---------------------------------------------------------
-# 1. Crea unos DataLoaders falsos para cargar el modelo (requerido)
-# ---------------------------------------------------------
-# Esto es solo para inicializar el modelo correctamente
-dls = ImageDataLoaders.from_name_func(
-    path='.', 
-    fnames=get_image_files('.'), 
-    label_func=lambda x: 'placeholder', 
-    valid_pct=0.2,
-    item_tfms=Resize(128),
-    bs=1
-)
-
-# ---------------------------------------------------------
-# 2. Crea el learner y carga el modelo desde .pth
-# ---------------------------------------------------------
-learn = cnn_learner(dls, resnet18, metrics=accuracy)
-learn.load('resnet18_blindness') 
-
-# Define tus clases manualmente si no están en dls.vocab
-labels = ['No Blindness', 'Blindness']
+# Cargar el modelo desde Hugging Face Hub
+model = AutoModelForImageClassification.from_pretrained("AdrianRevi/Practica1Blindness")
+extractor = AutoFeatureExtractor.from_pretrained("AdrianRevi/Practica1Blindness")
 
-# ---------------------------------------------------------
-# 3. Define la función de predicción
-# ---------------------------------------------------------
-def predict(img):
-    pred, idx, probs = learn.predict(img)
+# Preprocesamiento
+def predict(img: Image.Image):
+    inputs = extractor(images=img, return_tensors="pt")
+    with torch.no_grad():
+        outputs = model(**inputs)
+        probs = torch.nn.functional.softmax(outputs.logits, dim=1)[0]
+    labels = model.config.id2label
     return {labels[i]: float(probs[i]) for i in range(len(labels))}
 
-# ---------------------------------------------------------
-# 4. Lanza la app con Gradio
-# ---------------------------------------------------------
-gr.Interface(
+# Interfaz Gradio
+demo = gr.Interface(
     fn=predict,
-    inputs=gr.Image(shape=(128, 128)),
-    outputs=gr.Label(num_top_classes=2),
-    title="Clasificador de Ceguera",
-    description="Sube una imagen de retina y predice si hay ceguera o no."
-).launch()
+    inputs=gr.Image(type="pil"),
+    outputs=gr.Label(num_top_classes=3),
+    examples=["examples/20068.jpg", "examples/20084.jpg"],
+    title="Blindness Detection",
+    description="Sube una imagen del ojo para detectar el grado de ceguera.",
+)
+
+if __name__ == "__main__":
+    demo.launch()