app.py

import streamlit as st
from transformers import pipeline
import time
import matplotlib.pyplot as plt

#######################creacion de funciones######################
@st.cache_resource
#funcion eleccion del modelo
def cargar_modelo(model_name):
    return pipeline("zero-shot-classification", model=model_name, device=0)

#funcion que grafica el resultado del modelo
def graficar(result):
    # Crear un gráfico de pastel
    fig, ax = plt.subplots()
    ax.pie(result["scores"], labels=result["labels"], autopct="%1.1f%%", startangle=90)
    ax.axis("equal")  # Hace que el gráfico sea un círculo perfecto
    # Mostrar el gráfico en Streamlit
    st.pyplot(fig)    

#######################fin creacion de funciones######################




st.title("Ejercicio interfaz transformers pipeline con modelos Zero-shot")

model_options = [
    "MoritzLaurer/mDeBERTa-v3-base-xnli-multilingual-nli-2mil7",
    "MoritzLaurer/multilingual-MiniLMv2-L6-mnli-xnli",
    "facebook/bart-large-mnli",
]
#    "roberta-large-mnli",
#    "cross-encoder/nli-roberta-base"

# Seleccionar el modelo del pipeline
selected_model = st.selectbox("Selecciona un modelo", model_options)


#asignacion del modelo a usar
classifier = cargar_modelo(selected_model)

# Entrada de texto para la oración
nombre = st.text_input("Ingrese un nombre o una oración  a clasificar:")

etiquetas = st.text_area(
    "Ingresa las categorías separadas por comas:",
    placeholder="Ejemplo: masculino,femenino"
)

# Botón para clasificar
if st.button("Clasificar"):
# Show a spinner during a process
    with st.spinner(text="Ejecutando el modelo"):
        time.sleep(3)
        st.success("Revisar el resultado obtenido en la parte inferior")    

    
    if nombre and etiquetas:
        # basado en el string crear array labels que pasan como clases al modelo
        labels = [label.strip() for label in etiquetas.split(",")]

        #Llamado del modelo y las clases elegidas por el usuario
        result = classifier(nombre, candidate_labels=labels)

        # Mostrar los resultados
        st.subheader("Resultados de Clasificación")
        #for label, score in zip(result["labels"], result["scores"]):
        #    st.write(f"**{label}**: {score:.2f}")
        
        for label, score in zip(result["labels"], result["scores"]):
            with st.container():
                st.markdown(
                    f"""
                    <div style="background-color: #283747;padding:10px;margin-bottom:10px;border-radius:5px;border: 1px solid #ddd;">
                        <h4 style="margin:0;">{label}</h4>
                        <p style="margin:0;">Confianza: <b>{score:.2f}</b></p>
                    </div>
                    """,
                    unsafe_allow_html=True,
                )
        graficar(result)
    else:
        st.warning("Por favor, ingresa una oración y categorías válidas.")

        
#Clasificador =  pipeline('sentiment-analysis', model = Nombre_modelo,device='cuda')
#Res=Cla("sundays are good day for relaxing")
#print(Res)