Usando from_pretrained_fastai para carga limpia

app.py

@@ -9,21 +9,19 @@ categories = ['Bug', 'Dark', 'Dragon', 'Electric', 'Fairy', 'Fighting',
               'Normal', 'Poison', 'Psychic', 'Rock', 'Steel', 'Water']
 
 def load_clean_model(weights_path):
-    # Creamos la arquitectura ConvNeXt Tiny directamente desde timm
-    # Esto no busca ni get_x, ni get_y, ni archivos dummy
-    body = timm.create_model('convnext_tiny', pretrained=False, num_classes=len(categories))
+    # En lugar de from_empty, creamos dls mínimos compatibles
+    # Esto define la estructura necesaria para que learn.predict funcione
+    dls = ImageDataLoaders.from_lists('.', [], [], vocab=categories, item_tfms=Resize(126))
     
-    # Creamos un Learner "vacío" solo para usar su método predict
-    # DataLoaders.from_empty es la clave: no busca archivos en el disco
-    dls = DataLoaders.from_empty(categories)
-    learn = Learner(dls, body, loss_func=CrossEntropyLossFlat())
+    # Reconstruimos la arquitectura ConvNeXt Tiny
+    learn = vision_learner(dls, 'convnext_tiny', pretrained=False)
     
-    # Cargamos los pesos (.pth)
-    # Si tu archivo se llama checkpoint_1.pth, aquí ponemos 'checkpoint_1'
-    load_model(weights_path, learn.model, learn.opt)
+    # Cargamos solo los pesos (.pth)
+    # Fastai busca el archivo weights_path + '.pth'
+    learn.load(weights_path) 
     return learn
 
-# Cargamos el modelo (asegúrate de que checkpoint_1.pth esté en el repo)
+# 2. Inicializar (Cargará checkpoint_1.pth)
 learn = load_clean_model('checkpoint_1')
 
 def predict(img):
@@ -31,13 +29,13 @@ def predict(img):
     pred, pred_idx, probs = learn.predict(img)
     return {categories[i]: float(probs[i]) for i in range(len(categories))}
 
-# Interfaz
+# 3. Interfaz de Gradio
 demo = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="pil"),
     outputs=gr.Label(num_top_classes=3),
-    title="Detector Pokémon (Sin Dependencias)",
-    description="Carga directa de arquitectura y pesos."
+    title="Pokemon Type Classifier",
+    description="Modelo ConvNeXt Tiny cargado mediante pesos (.pth)"
 )
 
 demo.launch()