Se crea y sube repositorio

README.md

@@ -1,8 +1,8 @@
 ---
-title: Polidata
-emoji: 🔥
-colorFrom: red
-colorTo: yellow
+title: Polidata Gradio
+emoji: 🐠
+colorFrom: indigo
+colorTo: pink
 sdk: gradio
 sdk_version: 4.12.0
 app_file: app.py

app.py

@@ -0,0 +1,82 @@
+
+import torch
+import torch.nn as nn
+import torchvision.models as models
+import torchvision.transforms as transforms
+import gradio as gr
+from PIL import Image
+
+
+checkpoint_path = 'models/efiB2_27_12_24_f1.pt'
+
+# Simulación de nombres de clases
+CLASSES = ['audio_recorder', 'card_grid_md', 'card_grid_sm', 'card_grid_xl', 'conversational', 'crypto', 'date_range', 'image_filter', 'list_md', 'list_profile', 'list_sm', 'list_xl', 'map', 'music', 'nav_drawer', 'notification', 'rate', 'reel', 'setting', 'sign', 'splashscreen', 'video_fullscreen', 'walktrough', 'weather']
+
+def load_model(checkpoint_path: str) -> nn.Module:
+    # Crear el modelo original
+    model = models.efficientnet_b2(weights='DEFAULT')
+
+    # Modificar el clasificador para tener 24 clases
+    num_ftrs = model.classifier[-1].in_features
+    model.classifier[-1] = nn.Linear(num_ftrs, len(CLASSES))
+
+    # Cargar los pesos y los checkpoints desde un archivo de checkpoint
+    checkpoint = torch.load(checkpoint_path, map_location='cpu')  # Asegurarse de cargar en la CPU
+    model.load_state_dict(checkpoint['model_state_dict'])
+
+    # Mover el modelo al dispositivo adecuado (que ahora es la CPU, pero no es necesario)
+    device = torch.device('cpu')
+    model.to(device)
+
+    model.eval()
+
+    return model
+model = load_model(checkpoint_path)
+# Cargar el modelo utilizando la función
+
+
+# Función para hacer una predicción con el modelo cargado
+def predict_image(image):
+    # Redimensionar la imagen a 300x300
+    image = Image.fromarray(image)
+    transform = transforms.Compose([
+        transforms.Resize((260, 260)),
+        transforms.ToTensor(),
+        transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),
+    ])
+    image = transform(image).unsqueeze(0)
+
+    # Mover la imagen a la CPU
+    device = torch.device('cpu')
+    image = image.to(device)
+
+    # Obtener la predicción del modelo
+    with torch.no_grad():
+        model.eval()
+        output = model(image)
+
+    # Obtener las probabilidades de las clases y sus índices
+    probabilities, indices = torch.topk(torch.softmax(output, dim=1), k=3)
+    probabilities = probabilities.tolist()[0]
+    indices = indices.tolist()[0]
+
+    # Obtener las clases y las confianzas correspondientes
+    top_classes = [CLASSES[idx] for idx in indices]
+    confidences = [round(prob * 1, 2) for prob in probabilities]
+
+    # Crear un diccionario que contenga las etiquetas y sus confianzas
+    label_dict = {cls: conf for cls, conf in zip(top_classes, confidences)}
+
+    # Devolver el resultado como un diccionario
+    return label_dict
+
+# Gradio Interface
+iface = gr.Interface(
+    fn=predict_image,
+    inputs="image",
+    outputs=gr.Label(num_top_classes=3),  # Mostrar las 3 clases más probables con sus confianzas
+    title="POLIDATA | Modelo de evaluación de interfaz de usuario",
+    description="José Luis Santorcuato Tapia.",
+)
+
+iface.launch(share=True)

models/efiB2_27_12_24_f1.pt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:31477e012996decb1f7fe450e56ad0bf428a5b14116cf340930cae1b2a9001e4
+size 31670309

requirements.txt

@@ -0,0 +1,8 @@
+torch
+torchdata
+torchaudio
+torchinfo
+torchtext
+torchvision
+gradio
+Pillow