Update app.py

app.py

@@ -1,47 +1,20 @@
+from huggingface_hub import from_pretrained_fastai
 import gradio as gr
-import torch
-from transformers import AutoModelForObjectDetection, AutoImageProcessor
-from PIL import Image, ImageDraw
+from fastai.vision.all import *
 
-# Definir el repositorio en Hugging Face
-repo_id = "JeanCGuerrero/Practica2"
 
-# Cargar el modelo de Hugging Face
-model = AutoModelForObjectDetection.from_pretrained(repo_id)
-image_processor = AutoImageProcessor.from_pretrained(repo_id)
 
-# Función que se encarga de llevar a cabo las predicciones
-def predict(img):
-    img = img.convert("RGB")  # Asegurar que la imagen esté en formato RGB
-    inputs = image_processor(images=img, return_tensors="pt")
-
-    with torch.no_grad():
-        outputs = model(**inputs)
-
-    # Procesar los resultados
-    target_sizes = torch.tensor([img.size[::-1]])
-    results = image_processor.post_process_object_detection(outputs, threshold=0.5, target_sizes=target_sizes)[0]
+# repo_id = "YOUR_USERNAME/YOUR_LEARNER_NAME"
+repo_id = "joheras/futurama"
 
-    # Dibujar las detecciones en la imagen
-    draw = ImageDraw.Draw(img)
-    detecciones = []
+learner = from_pretrained_fastai(repo_id)
+labels = learner.dls.vocab
 
-    for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):
-        box = [round(i, 2) for i in box.tolist()]
-        x, y, x2, y2 = box
-        draw.rectangle([x, y, x2, y2], outline="red", width=3)
-        class_name = f"Clase {label.item()} - Confianza: {round(score.item(), 2)}"
-        draw.text((x, y), class_name, fill="red")
-        detecciones.append(class_name)
-
-    return img, "\n".join(detecciones)
-
-# Crear la interfaz y lanzarla con Gradio
-gr.Interface(
-    fn=predict,
-    inputs=gr.Image(type="pil"),
-    outputs=[gr.Image(), gr.Text()],
-    title="Detector de Mapaches 🦝",
-    description="Este modelo detecta mapaches en imágenes usando DETR con el dataset Raccoon.",
-    examples=['raccoon-108.jpg', 'raccoon-108.jpg']
-).launch(share=False)
+# Definimos una función que se encarga de llevar a cabo las predicciones
+def predict(img):
+    #img = PILImage.create(img)
+    pred,pred_idx,probs = learner.predict(img)
+    return {labels[i]: float(probs[i]) for i in range(len(labels))}
+    
+# Creamos la interfaz y la lanzamos. 
+gr.Interface(fn=predict, inputs=gr.inputs.Image(shape=(128, 128)), outputs=gr.outputs.Label(num_top_classes=3),examples=['fry.jpg','leela.jpg']).launch(share=False)