Tutorial: Despliegue de Modelos de Machine Learning en HuggingFace Spaces con Gradio

En este post, se presentan los pasos detallados para desplegar una aplicación Gradio que estima el porcentaje de grasa corporal utilizando un modelo de Machine Learning previamente entrenado y guardado en un archivo pkl.

Cree un nuevo Space y asígnale un nombre adecuado. Si es necesario, puede optar por instancias de GPU pagadas para mejorar el rendimiento.

Para comenzar, es necesario clonar el repositorio del Espacio utilizando:

Cuando se le solicite una contraseña, use un token de acceso con permisos de escritura. Puede generar uno desde sus configuraciones en Hugging Face: Generar token.

Este archivo contendrá el código que ejecuta la aplicación Gradio. A continuación, se muestra el código para cargar un archivo pkl usando RandomForest y desplegar la aplicación.

En este archivo se especifican las dependencias necesarias para ejecutar la aplicación.

Suba su archivo de modelo model.pkl al Space creado. Esto permitirá que el modelo sea accesible para la aplicación Gradio. Después de crear y modificar los archivos necesarios (app.py y requirements.txt), cometa y empuje sus cambios al repositorio del Space.

Una vez que haya seguido estos pasos, su aplicación para estimar el porcentaje de grasa corporal estará funcionando en Spaces, proporcionando una interfaz intuitiva y fácil de usar para los usuarios. A continuación se muestra una captura de pantalla de cómo debería verse la aplicación:

Implementar una aplicación Gradio en Hugging Face Spaces es un proceso sencillo y eficiente. Siguiendo los pasos detallados en este artículo, puede desplegar su modelo de Machine Learning para estimar el porcentaje de grasa corporal, ofreciendo a los usuarios una herramienta útil y accesible.

Si deseas descargar los archivos utilizados en este tutorial, puedes hacerlo aquí.