Update app.py

app.py

@@ -1,53 +1,42 @@
 from fastai.vision.all import *
-from huggingface_hub import from_pretrained_fastai
 import gradio as gr
 
-# ------------------------------
-# 1. Cargar el modelo desde Hugging Face
-# -------------------------------
-repo_id = "AdrianRevi/Practica1Blindness"  # Cambiar si es necesario
-learner = from_pretrained_fastai(repo_id)
-labels = learner.dls.vocab
-
-# -------------------------------
-# 2. Función de predicción
-# -------------------------------
-def predict(img):
-    try:
-        pred, pred_idx, probs = learner.predict(img)
-        return {labels[i]: float(probs[i]) for i in range(len(labels))}
-    except Exception as e:
-        return {"Error": str(e)}
-
-# -------------------------------
-# 3. Interfaz Gradio
-# -------------------------------
-title = "👁️ Clasificador de Ceguera con FastAI"
-description = """
-Esta aplicación utiliza un modelo de **Aprendizaje Profundo** entrenado con `fastai` para predecir el **grado de ceguera** en imágenes de retina.
+# ---------------------------------------------------------
+# 1. Crea unos DataLoaders falsos para cargar el modelo (requerido)
+# ---------------------------------------------------------
+# Esto es solo para inicializar el modelo correctamente
+dls = ImageDataLoaders.from_name_func(
+    path='.', 
+    fnames=get_image_files('.'), 
+    label_func=lambda x: 'placeholder', 
+    valid_pct=0.2,
+    item_tfms=Resize(128),
+    bs=1
+)
 
-📌 El modelo fue entrenado en Google Colab y desplegado en Hugging Face Spaces mediante `from_pretrained_fastai`.
+# ---------------------------------------------------------
+# 2. Crea el learner y carga el modelo desde .pth
+# ---------------------------------------------------------
+learn = cnn_learner(dls, resnet18, metrics=accuracy)
+learn.load('resnet18_blindness')  # asegúrate de que el archivo .pth esté en la raíz o models/
 
-🔍 Puedes subir tu propia imagen o usar uno de los ejemplos de la galería.
+# Define tus clases manualmente si no están en dls.vocab
+labels = ['No Blindness', 'Blindness']
 
-📷 La imagen se redimensiona automáticamente a 128x128 píxeles (tamaño de entrada del modelo).
-"""
-examples = ['20068.jpg', '20084.jpg']  # Archivos locales en el Space
+# ---------------------------------------------------------
+# 3. Define la función de predicción
+# ---------------------------------------------------------
+def predict(img):
+    pred, idx, probs = learn.predict(img)
+    return {labels[i]: float(probs[i]) for i in range(len(labels))}
 
-# -------------------------------
-# 4. Crear y lanzar interfaz
-# -------------------------------
-demo = gr.Interface(
+# ---------------------------------------------------------
+# 4. Lanza la app con Gradio
+# ---------------------------------------------------------
+gr.Interface(
     fn=predict,
-    inputs=gr.Image(type="pil", shape=(128, 128), label="Sube una imagen de retina"),
-    outputs=gr.Label(num_top_classes=3, label="Predicción (Top 3)"),
-    examples=examples,
-    title=title,
-    description=description,
-    allow_flagging="never",
-    live=False,
-    theme="default",
-)
-
-if __name__ == "__main__":
-    demo.launch(show_error=True)
+    inputs=gr.Image(shape=(128, 128)),
+    outputs=gr.Label(num_top_classes=2),
+    title="Clasificador de Ceguera",
+    description="Sube una imagen de retina y predice si hay ceguera o no."
+).launch()