daxa-ai/pebblo-classifier

# Importar las bibliotecas necesarias
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import joblib
from huggingface_hub import hf_hub_url, cached_download

# Cargar el tokenizador y el modelo
tokenizer = AutoTokenizer.from_pretrained("daxa-ai/pebblo-classifier")
model = AutoModelForSequenceClassification.from_pretrained("daxa-ai/pebblo-classifier")

# Texto de ejemplo
text = "Por favor, ingrese su texto aquí."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

# Aplicar softmax a los logits
probabilities = torch.nn.functional.softmax(output.logits, dim=-1)

# Obtener la etiqueta predicha
predicted_label = torch.argmax(probabilities, dim=-1)

# URL del repositorio de modelo en Hugging Face
REPO_NAME = "daxa-ai/pebblo-classifier"

# Ruta al archivo de codificador de etiquetas en el repositorio
LABEL_ENCODER_FILE = "label_encoder.joblib"

# Construir la URL al archivo de codificador de etiquetas
url = hf_hub_url(REPO_NAME, filename=LABEL_ENCODER_FILE)

# Descargar y almacenar en caché el archivo de codificador de etiquetas
filename = cached_download(url)

# Cargar el codificador de etiquetas
label_encoder = joblib.load(filename)

# Decodificar la etiqueta predicha
decoded_label = label_encoder.inverse_transform(predicted_label.numpy())

print(decoded_label)