Usando from_pretrained_fastai para carga limpia

app.py

@@ -3,19 +3,29 @@ import gradio as gr
 from fastai.vision.all import *
 from huggingface_hub import from_pretrained_fastai
 import torch, os
+import __main__
 
-# Optimizaciones de CPU para el servidor
+# 1. REDEFINIMOS LAS FUNCIONES AQUÍ MISMO
+# Estas son las funciones que el modelo "recuerda" de tu entrenamiento
+def get_x(i): return None
+def get_y(i): return None
+
+# 2. LAS ASIGNAMOS AL MÓDULO PRINCIPAL
+# Esto es lo que permite que load_learner las encuentre
+__main__.get_x = get_x
+__main__.get_y = get_y
+
+# Configuraciones de rendimiento para el servidor
 os.environ.setdefault("OMP_NUM_THREADS", "1")
 torch.set_num_threads(1)
 
-# --- REEMPLAZA CON TU REPO_ID ---
-# Ejemplo: "Edupy/pokemon-1class-classifier-26"
+# 3. CARGAMOS EL MODELO
+# Ahora from_pretrained_fastai no dará el error "res"
 learn = from_pretrained_fastai("Edupy/pokemon-1class-classifier-26")
 
-try:
-    learn.to_fp32()
-except:
-    pass
+# Pasar a FP32 por si el modelo se guardó en semi-precisión (ahorra errores en CPU)
+try: learn.to_fp32()
+except: pass
 
 labels = learn.dls.vocab
 
@@ -24,16 +34,13 @@ def predict(img):
     pred, pred_idx, probs = learn.predict(img)
     return {labels[i]: float(probs[i]) for i in range(len(labels))}
 
-title = "Detector de Tipos Pokémon"
-description = "Modelo profesional cargado desde el Hub para identificar tipos elementales."
-
+# 4. INTERFAZ DE GRADIO
 demo = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="pil"),
     outputs=gr.Label(num_top_classes=3),
-    title=title,
-    description=description
+    title="Detector de Tipos Pokémon",
+    description="Sube una imagen de un Pokémon para predecir su tipo principal."
 )
 
-# Configuración de cola para evitar que el Space se cuelgue con muchas peticiones
 demo.queue(max_size=8).launch(show_error=True, debug=True)