Add app and requirements files

README.md

@@ -10,4 +10,44 @@ pinned: false
 short_description: Clasificador en español para detectar si un tweet es sexista
 ---
 
+# 🧠 Clasificador de Tweets: Sexista vs No Sexista
+
+Este proyecto es una interfaz interactiva para clasificar textos en español como **sexistas** o **no sexistas**, basada en un modelo de lenguaje fine-tuned.
+
+## 🔍 Descripción
+
+El modelo fue entrenado para detectar expresiones de sexismo en oraciones breves, especialmente aquellas extraídas de redes sociales como Twitter. Es capaz de identificar de manera general discursos sexistas o neutros.
+
+## 🛠️ Modelo
+
+Este modelo fue *fine-tuned* a partir de [`delarosajav95/HateSpeech-BETO-cased-v2`](https://huggingface.co/delarosajav95/HateSpeech-BETO-cased-v2), utilizando el corpus de tweets proporcionado por la competencia **EXIST 2024**, centrada en la detección de sexismo.
+
+- Base: BETO (BERT en español)
+- Tarea: Clasificación binaria (`Sexista`, `No sexista`)
+- Dominio: Tweets y textos cortos en español
+
+## 🚀 Uso
+
+Solo escribe una oración o tweet en español en el cuadro de texto y el modelo devolverá la probabilidad de que el mensaje sea considerado sexista.
+
+Ejemplos:
+
+- `"Las mujeres no deberían opinar sobre fútbol"` → 🔴 Sexista  
+- `"El clima hoy está increíble"` → 🟢 No sexista
+
+## 📦 Dependencias
+
+Este Space utiliza:
+
+- `transformers`
+- `torch`
+- `gradio`
+
+Especificadas en el archivo `requirements.txt`.
+
+## 👨‍💻 Autor
+
+Proyecto publicado por **Diana Salgado**  
+
+
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app.py

@@ -0,0 +1,22 @@
+from transformers import AutoModelForSequenceClassification, AutoTokenizer
+import torch
+import gradio as gr
+
+# Cargar modelo entrenado
+model_path = r"C:\Users\diana\OneDrive\Documentos\Escuela\Semestre 8\T.S_PLN\st-cl-2025-2-lab\practicas\dianasalgado22\P6\Ejecuciones\runs\Model_delarosajav95_HateSpeech-BETO-cased-v2\250508T132050\bestModel"
+model = AutoModelForSequenceClassification.from_pretrained(model_path)
+tokenizer = AutoTokenizer.from_pretrained(model_path)
+
+# Diccionario de etiquetas
+label_map = {0: "No sexista", 1: "Sexista"}
+
+def predict(text):
+    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)
+    with torch.no_grad():
+        logits = model(**inputs).logits
+    probs = torch.nn.functional.softmax(logits, dim=1)
+    return {label_map[i]: float(p) for i, p in enumerate(probs[0])}
+
+
+
+iface.launch()

requirements.txt

@@ -0,0 +1,3 @@
+transformers
+torch
+gradio