from PIL import Image
from inference import load_predictor

pred = load_predictor("model.pth", device="cpu")
price = pred.predict([
    Image.open("car1.jpg"),
    Image.open("car2.jpg"),
])
print(price)

Option B — download weights from Hugging Face Hub

python

from huggingface_hub import hf_hub_download
from PIL import Image

# Указываем репозиторий модели на Hugging Face
REPO = "KiraChistiakova/autoprice-model"

# Скачиваем файл с описанием модели (архитектура)
hf_hub_download(repo_id=REPO, filename="modeling.py", local_dir=".")

# Скачиваем файл с кодом для предсказания (inference)
hf_hub_download(repo_id=REPO, filename="inference.py", local_dir=".")

# Скачиваем веса модели
ckpt_path = hf_hub_download(repo_id=REPO, filename="model.pth", local_dir=".")

# Импортируем функцию загрузки и собираем предиктор
from inference import load_predictor
pred = load_predictor(ckpt_path, device="cpu")

# Делаем предсказание по 1–4 фотографиям
price = pred.predict([Image.open("car1.jpg")])
print(price)

Notes

Input: 1–4 фотографии (порядок не важен). Если фото меньше 4 — вход дополняется последней загруженной картинкой до 4.
Preprocessing (inference): используется стандартный ImageNet-пайплайн от ResNet18_Weights.IMAGENET1K_V1.transforms() (resize/crop до 224 и normalise).
Target: во время обучения таргет использовался как log1p(price); при инференсе применяется expm1.
Модель учебная и может ошибаться; качество на “нестандартных” фото может быть хуже.