hogdog

app.py

@@ -1,36 +1,19 @@
-from diffusers import AutoPipelineForText2Image
 import gradio as gr
+from diffusers import DDPMPipeline
+from transformers import pipeline
 import torch
 
-device = "cpu"
-if torch.cuda.is_available():
-    device = "cuda:0"
-if torch.backends.mps.is_available():
-    device = "mps"
+pipeline = pipeline(task="image-classification", model="julien-c/hotdog-not-hotdog")
 
-# Inicializar el pipeline de diffusers
-pipeline = AutoPipelineForText2Image.from_pretrained(
-    "runwayml/stable-diffusion-v1-5", 
-    torch_dtype=torch.float16, 
-    use_safetensors=True
-).to(device)
-pipeline.enable_model_cpu_offload()
+def predict(input_img):
+    predictions = pipeline(input_img)
+    return input_img, {p["label"]: p["score"] for p in predictions} 
 
-def generate_image(prompt):
-    # Generar imagen basada en el prompt
-    with torch.no_grad():  # Desactivar el cálculo de gradientes para la inferencia
-        image = pipeline(prompt, num_inference_steps=25).images[0]
-    
-    return image
-
-# Interfaz de Gradio
-iface = gr.Interface(
-    fn=generate_image,
-    inputs=gr.Textbox(lines=2, placeholder="Introduce tu descripción aquí..."),  # Modificado aquí
-    outputs="image",
-    title="Generador de Imágenes de Texto a Imagen",
-    description="Este modelo genera imágenes basadas en descripciones de texto. Introduce una descripción y observa la imagen generada."
+gradio_app = gr.Interface(
+    predict,
+    inputs=gr.Image(label="Select hot dog candidate", sources=['upload', 'webcam'], type="pil"),
+    outputs=[gr.Image(label="Processed Image"), gr.Label(label="Result", num_top_classes=2)],
+    title="Hot Dog? Or Not?",
 )
-
 if __name__ == "__main__":
-    iface.launch()
+    gradio_app.launch()