Usando from_pretrained_fastai para carga limpia

app.py

@@ -1,46 +1,43 @@
 
 import gradio as gr
 from fastai.vision.all import *
-from huggingface_hub import from_pretrained_fastai
-import torch, os
-import __main__
-
-# 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)
-
-# 3. CARGAMOS EL MODELO
-# Ahora from_pretrained_fastai no dará el error "res"
-learn = from_pretrained_fastai("Edupy/pokemon-1class-classifier-26")
-
-# 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
+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_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))
+    
+    # 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())
+    
+    # Cargamos los pesos (.pth)
+    # Si tu archivo se llama checkpoint_1.pth, aquí ponemos 'checkpoint_1'
+    load_model(weights_path, learn.model, learn.opt)
+    return learn
+
+# Cargamos el modelo (asegúrate de que checkpoint_1.pth esté en el repo)
+learn = load_clean_model('checkpoint_1')
 
 def predict(img):
-    img = PILImage.create(img)
+    img = PILImage.create(img).resize((126, 126))
     pred, pred_idx, probs = learn.predict(img)
-    return {labels[i]: float(probs[i]) for i in range(len(labels))}
+    return {categories[i]: float(probs[i]) for i in range(len(categories))}
 
-# 4. INTERFAZ DE GRADIO
+# Interfaz
 demo = gr.Interface(
     fn=predict,
     inputs=gr.Image(type="pil"),
     outputs=gr.Label(num_top_classes=3),
-    title="Detector de Tipos Pokémon",
-    description="Sube una imagen de un Pokémon para predecir su tipo principal."
+    title="Detector Pokémon (Sin Dependencias)",
+    description="Carga directa de arquitectura y pesos."
 )
 
-demo.queue(max_size=8).launch(show_error=True, debug=True)
+demo.launch()