Update app.py

app.py

@@ -1,35 +1,21 @@
-from fastai.vision.all import *
+from huggingface_hub import from_pretrained_fastai
 import gradio as gr
+from fastai.vision.all import *
 
-# 1. Carga las clases
-labels = ['okabe', 'kurisu']  # ← Ajusta con tus etiquetas reales
 
-# 2. Reconstruye los data loaders (usa imagen ficticia para construirlos)
-def label_func(fname): return 'okabe'  # dummy label
 
-dls = ImageDataLoaders.from_name_func(
-    Path('.'), 
-    get_image_files('.'), 
-    label_func=label_func,
-    item_tfms=Resize(224),
-    bs=1  # batch size pequeño, no se usará en producción
-)
+repo_id = "MarioGL/datasetSG"
 
-# 3. Reconstruye el modelo (usa tu arquitectura real si es distinta)
-learn = cnn_learner(dls, resnet34)
-learn.load('model_weights')  # Asegúrate de subir este archivo .pth a tu repo HF
+learner = from_pretrained_fastai(repo_id)
+labels = learner.dls.vocab
 
-# 4. Predicción
+# Definimos una función que se encarga de llevar a cabo las predicciones
 def predict(img):
-    pred, pred_idx, probs = learn.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))}
-
-# 5. UI
-gr.Interface(
-    fn=predict,
-    inputs=gr.Image(),
-    outputs=gr.Label(num_top_classes=3),
-    examples=['kurisu.jpg', 'okabe.jpg']
-).launch(share=False)
-
+    
+# Creamos la interfaz y la lanzamos. 
+gr.Interface(fn=predict, inputs=gr.Image(), outputs=gr.Label(num_top_classes=3),examples=['okabe.jpg','kurisu.jpg']).launch(share=False)
+