Forzando sobrescritura de app.py y carga de pesos .pth

app.py

@@ -1,30 +1,47 @@
+
 from fastai.vision.all import *
 import gradio as gr
 import timm
 
+# 1. Lista de categorías exacta
 categories = ['Bug', 'Dark', 'Dragon', 'Electric', 'Fairy', 'Fighting', 
               'Fire', 'Flying', 'Ghost', 'Grass', 'Ground', 'Ice', 
               'Normal', 'Poison', 'Psychic', 'Rock', 'Steel', 'Water']
 
-def load_model_with_weights(weights_path):
-    # Inicialización mínima
-    dls = ImageDataLoaders.from_lists('.', ['dummy.jpg'], [categories[0]], 
-                                     item_tfms=Resize(460), 
-                                     batch_tfms=aug_transforms(size=126))
+# 2. Reconstruir el modelo sin necesidad de DataLoaders ni imágenes dummy
+def load_pokemon_model(weights_path):
+    # Creamos el modelo usando timm (la arquitectura exacta que entrenaste)
+    # num_classes debe coincidir con el número de tipos de tu dls.vocab
+    model = timm.create_model('convnext_tiny', pretrained=False, num_classes=len(categories))
     
-    # IMPORTANTE: Usamos la arquitectura exacta
-    learn = vision_learner(dls, 'convnext_tiny', metrics=accuracy)
+    # Cargar los pesos directamente al modelo de PyTorch
+    # load_model de fastai espera un archivo .pth generado con learn.save
+    state_dict = torch.load(weights_path, map_location='cpu')
     
-    # Cargar pesos (.pth). Fastai busca el archivo sin la extensión .pth internamente a veces, 
-    # pero si le pasas el path completo suele funcionar.
-    load_model(weights_path, learn.model, learn.opt)
-    return learn
+    # Si guardaste con learn.save, los pesos están en la llave 'model'
+    if 'model' in state_dict:
+        model.load_state_dict(state_dict['model'])
+    else:
+        model.load_state_dict(state_dict)
+        
+    model.eval()
+    return model
 
 # Cargamos el modelo
-learn = load_model_with_weights('checkpoint_1.pth')
+model = load_pokemon_model('checkpoint_1.pth')
 
+# Función de predicción usando el modelo de PyTorch directamente
 def predict(img):
-    img = PILImage.create(img)
+    img = PILImage.create(img).resize((126, 126)) # El tamaño 'size' que usaste en batch_tfms
+    # Convertir imagen a tensor y normalizar
+    img_tensor = pipeline(img) # fastai maneja esto internamente con predict, 
+                               # pero aquí lo simplificamos:
+    
+    # Usamos un Learner vacío solo para aprovechar el método predict de fastai
+    # sin errores de inicialización
+    empty_dls = DataLoaders.from_empty(categories)
+    learn = Learner(empty_dls, model, loss_func=CrossEntropyLossFlat())
+    
     pred, pred_idx, probs = learn.predict(img)
     return {categories[i]: float(probs[i]) for i in range(len(categories))}
 
@@ -32,5 +49,5 @@ gr.Interface(
     fn=predict,
     inputs=gr.Image(),
     outputs=gr.Label(num_top_classes=3),
-    title="Detector de Tipos Pokémon (Carga por Pesos)"
+    title="Detector de Tipos Pokémon"
 ).launch()