Spaces:
Sleeping
Sleeping
File size: 1,687 Bytes
237774d 2a9e07e 237774d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 |
import torch
from safetensors.torch import load_model
from models import FromZero, PreTrained
from utils import multiclass_accuracy
def cargar_evaluar_modelo(archivo, tipo_modelo, num_clases, test_dataloader):
try:
if tipo_modelo == "tarea_7":
modelo = PreTrained(num_clases)
elif tipo_modelo == "tarea_8":
modelo = FromZero(num_clases)
load_model(modelo, archivo)
modelo.eval()
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
modelo.to(device)
accuracy = 0
with torch.no_grad():
for imagenes, etiquetas in test_dataloader:
imagenes = imagenes.to(device)
etiquetas = etiquetas.to(device)
predictions = modelo(imagenes)
accuracy += multiclass_accuracy(predictions, etiquetas)
accuracy = accuracy / len(test_dataloader)
return accuracy
except Exception as e:
return f"Error: {str(e)}"
def evaluate_interface(model_file, model_type, num_clases, test_dataloader):
if model_file is None:
return "Por favor, carga un archivo .safetensor"
# Verificamos que el archivo sea .safetensor
if not model_file.name.endswith(".safetensor") or model_file.name.endswith(
".safetensors"
):
return "Por favor, carga un archivo con extensión .safetensor o .safetensors"
# Evaluamos el modelo
accuracy = cargar_evaluar_modelo(
model_file.name, model_type, num_clases, test_dataloader
)
if isinstance(accuracy, float):
return f"Precisión del modelo: {accuracy*100:.2f}%"
else:
return accuracy
|