Create app.py

app.py

@@ -0,0 +1,42 @@
+import gradio as gr
+import torch
+import numpy as np
+from transformers import MaskFormerFeatureExtractor, MaskFormerForInstanceSegmentation
+from PIL import Image
+
+# Cargar el modelo y el preprocesador
+device = torch.device("cpu")
+model = MaskFormerForInstanceSegmentation.from_pretrained("facebook/maskformer-swin-tiny-ade").to(device)
+model.eval()
+preprocessor = MaskFormerFeatureExtractor.from_pretrained("facebook/maskformer-swin-tiny-ade")
+
+# Función de consulta para Gradio
+def query_image(img):
+    # Procesar la imagen con el preprocesador
+    inputs = preprocessor(images=img, return_tensors="pt")
+    with torch.no_grad():
+        outputs = model(**inputs)
+
+    # Obtener la máscara de segmentación (asegúrate de que esta lógica coincida con tu configuración)
+    mask = torch.argmax(outputs.logits[0], dim=0).cpu().detach().numpy()
+
+    # Crear una máscara binaria solo para la clase de "regla" (de acuerdo a tu código original)
+    rule_class_id = 1  # ID de la clase "regla"
+    rule_mask = (mask == rule_class_id).astype(np.uint8)
+
+    # Crear una imagen RGB para visualizar la máscara
+    mask_image = np.stack([rule_mask] * 3, axis=-1)
+
+    return Image.fromarray((mask_image * 255).astype(np.uint8))
+
+# Crear la interfaz Gradio
+demo = gr.Interface(
+    query_image, 
+    inputs=[gr.Image()], 
+    outputs="image",
+    title="Rule Segmentation Demo",
+    description="Please upload an image to see rule segmentation",
+)
+
+# Lanzar la interfaz Gradio
+demo.launch()