Spaces:
Runtime error
Runtime error
| # Ejemplo conceptual de app.py | |
| import gradio as gr | |
| from transformers import pipeline | |
| from PIL import Image | |
| print('✦ Inicializando la aplicación y cargando recursos de Deep Learning...') | |
| # 1. CARGA DEL MODELO: Se ejecuta una única vez al levantar el contenedor para evitar sobrecostos en cada consulta | |
| clasificador = pipeline( | |
| 'image-classification', | |
| model='google/vit-base-patch16-224' | |
| ) | |
| print('✓ Modelo Vision Transformer cargado y listo.') | |
| # 2. FUNCIÓN DE NEGOCIO: Procesa la entrada recibida desde el frontend interactivo | |
| def clasificar_imagen(imagen): | |
| """ | |
| Procesa la imagen provista por el usuario y estima las categorías. | |
| """ | |
| if imagen is None: | |
| return {'Error': 'No se cargó ninguna imagen'} | |
| try: | |
| # Inferencia con ViT | |
| resultados = clasificador(imagen) | |
| # Formateamos los resultados en el diccionario que espera gr.Label {etiqueta: score} | |
| predicciones_formateadas = {} | |
| for res in resultados[:5]: | |
| predicciones_formateadas[res['label']] = float(res['score']) | |
| return predicciones_formateadas | |
| except Exception as e: | |
| return {'Error en inferencia': str(e)} | |
| # 3. INTERFAZ GRADIO: Definimos el diseño de la UI | |
| demo = gr.Interface( | |
| fn=clasificar_imagen, | |
| inputs=gr.Image(type='pil', label='Suban una imagen'), | |
| outputs=gr.Label(num_top_classes=5, label='Predicciones de ImageNet'), | |
| title='Clasificador de Imágenes con ViT', | |
| description='Carguen una imagen para que el modelo estime su categoría conceptual de ImageNet.', | |
| ) | |
| # 4. LANZAMIENTO DE LA APLICACIÓN | |
| if __name__ == '__main__': | |
| print('✦ Iniciando el servidor local de Gradio...') | |
| demo.launch() | |