Update app.py

app.py

@@ -1,65 +1,8 @@
 import gradio as gr
-from transformers import pipeline
 
-# 1. Define el ID del modelo que vamos a usar
-# Este modelo está entrenado para clasificar si una imagen es Real o Deepfake (Synthetic)
-MODEL_ID = "prithivMLmods/deepfake-detector-model-v1"
+def test():
+    return "La app está funcionando 🎉"
 
-# 2. Carga el pipeline de clasificación de imágenes
-try:
-    print(f"Cargando el modelo: {MODEL_ID}...")
-    detector = pipeline("image-classification", model=MODEL_ID)
-    print("Modelo cargado con éxito.")
-except Exception as e:
-    print(f"Error al cargar el modelo: {e}")
-    # En caso de error, puedes definir una función dummy para que la app no falle
-    def detector(image):
-        return [{'label': 'Error en la carga del modelo', 'score': 1.0}]
+demo = gr.Interface(fn=test, inputs=None, outputs="text", title="Detector de Imágenes IA")
 
-
-# 3. Definición de la función de predicción
-def predecir_deepfake(imagen):
-    """
-    Toma una imagen y devuelve la predicción del modelo.
-    """
-    if imagen is None:
-        return "Por favor, sube una imagen para analizarla."
-
-    # Llama al modelo
-    resultados = detector(imagen)
-    
-    # El resultado es una lista, tomamos la predicción con mayor puntuación
-    prediccion_principal = resultados[0]
-    etiqueta = prediccion_principal['label']
-    probabilidad = prediccion_principal['score'] * 100
-    
-    # Formatear el resultado
-    if "fake" in etiqueta.lower() or "synthetic" in etiqueta.lower():
-        etiqueta_final = "FALSA (GENERADA POR IA) 🤖"
-        color = "red"
-    else:
-        etiqueta_final = "VERDADERA (REAL) ✅"
-        color = "green"
-
-    markdown_output = f"""
-    ### Resultado del Análisis
-    
-    La imagen es clasificada como {etiqueta_final} con una confianza del {probabilidad:.2f}%.
-    """
-    return markdown_output
-
-# 4. Creación de la Interfaz Gradio
-iface = gr.Interface(
-    fn=predecir_deepfake,
-    inputs=gr.Image(type="filepath", label="Sube una imagen para la detección de Deepfake"),
-    outputs=gr.Markdown(),
-    title="🤖 DeepFake Detector",
-    description="Esta aplicación usa un modelo de clasificación de imágenes pre-entrenado para determinar si una foto es real o generada por inteligencia artificial (Deepfake).",
-    examples=[
-        # Agrega rutas a imágenes de ejemplo si las subes al Space
-        # ["path/a/una/imagen_ejemplo.jpg"] 
-    ]
-)
-
-# 5. Lanzamiento de la aplicación (esto es manejado por Hugging Face)
-iface.launch()
+demo.launch()