Cambios de carpeta, modelo para gradio

app.py

@@ -1,6 +1,5 @@
 import gradio as gr
-import numpy as np
-from loading import load_model
+from utils.loading import load_model
 
 # Constantes que definen los límites mínimo y máximo para los sliders de Gradio
 MIN_CONF, MAX_CONF = 0, 1
@@ -27,23 +26,10 @@ confidence_slider = gr.Slider(minimum=MIN_POS, maximum=MAX_POS, value=3, step=1,
 
 # Creación de la interfaz de Gradio
 demo = gr.Interface(fn=process_image, 
-                          inputs=[gr.Image(), pos_slider, confidence_slider], 
-                          outputs=gr.Image(),
-                          title="Pose Detection App",
-                          description="Ajusta los parámetros y carga una imagen para detectar poses.",
-                          allow_flagging="never")
+                    inputs=[gr.Image(), pos_slider, confidence_slider], 
+                    outputs=gr.Image(),
+                    title="Pose Detection App",
+                    description="Ajusta los parámetros y carga una imagen para detectar poses.",
+                    allow_flagging="never")
 
-demo.queue().launch()
-
-
-# # Iniciar la aplicación FastAPI
-# if __name__ == "__main__":
-#     import uvicorn
-#     uvicorn.run(app, host="0.0.0.0", port=8000)
-
-# Dependencias necesarias:
-# pip install fastapi uvicorn
-# pip install --upgrade gradio
-
-# Para ejecutar la aplicación:
-# uvicorn main:app --reload
+demo.queue().launch()

loading.py → utils/loading.py

@@ -6,7 +6,7 @@ from mediapipe.tasks import python
 from mediapipe.tasks.python import vision
 
 # Crear un objeto PoseLandmarker
-model_asset_path = 'pose_landmarker_heavy.task'
+model_asset_path = 'model/pose_landmarker_heavy.task'
 base_options = python.BaseOptions(model_asset_path, delegate=python.BaseOptions.Delegate.CPU)
 
 def draw_landmarks_on_image(rgb_image, detection_result):