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

app.py

@@ -21,20 +21,23 @@ model = load_pokemon_model('checkpoint_1.pth')
 
 def predict(img):
     try:
-        # 1. Redimensionar
+        # 1. Procesar imagen PIL
         img = PILImage.create(img).resize((126, 126))
         
-        # 2. Convertir a tensor y normalizar (forma directa de PyTorch)
-        # Usamos transforms estándar para asegurar las 4 dimensiones [1, 3, 126, 126]
-        timg = Pipeline([ToTensor(), IntToFloatTensor(), Normalize.from_stats(*imagenet_stats)])(img)
+        # 2. Convertir a tensor manualmente para tener control total
+        # image2tensor devuelve un tensor de [3, 126, 126]
+        timg = image2tensor(img)
+        timg = timg.float()/255.0 # Normalizar a 0-1
         
-        # 3. Predicción (timg ya sale con el batch dimension si se usa Pipeline de fastai adecuadamente)
-        # Pero para estar seguros de que tiene 4D y no 5D:
-        if timg.ndim == 3: timg = timg.unsqueeze(0)
-        if timg.ndim == 5: timg = timg.squeeze(0) # Esto elimina la dimensión extra si existiera
+        # 3. Aplicar normalización de ImageNet (Media y Desviación estándar)
+        stats = imagenet_stats
+        timg = (timg - tensor(stats[0])[:,None,None]) / tensor(stats[1])[:,None,None]
+        
+        # 4. Añadir dimensión de batch -> Resultado: [1, 3, 126, 126]
+        batch_img = timg.unsqueeze(0)
         
         with torch.no_grad():
-            output = model(timg)
+            output = model(batch_img)
             probs = torch.softmax(output, dim=1)[0]
         
         return {categories[i]: float(probs[i]) for i in range(len(categories))}