Update app.py

app.py

@@ -73,15 +73,15 @@ class S3DirectStream:
             print(f"[INFO] Cargando el modelo {model_name} desde S3...")
             model_prefix = model_name.lower()
             model_files = self.get_model_file_parts(model_prefix)
-            
-            # Verificar si el modelo está en S3
-            if model_files:
-                print(f"[INFO] Modelo encontrado en S3, cargando directamente...")
-            else:
-                print(f"[INFO] Modelo no encontrado en S3, descargando desde Hugging Face...")
+
+            if not model_files:
+                print(f"[INFO] El modelo {model_name} no está en S3. Procediendo a descargar desde Hugging Face...")
                 self.download_and_upload_from_huggingface(model_name)
                 model_files = self.get_model_file_parts(model_prefix)
-            
+
+            if not model_files:
+                raise HTTPException(status_code=404, detail=f"Archivos del modelo {model_name} no encontrados en S3.")
+
             # Leer y cargar todos los archivos del modelo
             model_streams = []
             for model_file in tqdm(model_files, desc="Cargando archivos del modelo", unit="archivo"):
@@ -89,7 +89,7 @@ class S3DirectStream:
 
             config_stream = self.stream_from_s3(f"{model_prefix}/config.json")
             config_data = config_stream.read().decode("utf-8")
-            
+
             # Cargar el modelo dependiendo del tipo de archivo (torch o safetensors)
             if model_files[0].endswith("model.safetensors"):
                 print("[INFO] Cargando el modelo como safetensor...")
@@ -188,9 +188,9 @@ async def predict(model_request: DownloadModelRequest):
 
         return {"output": outputs}
     except Exception as e:
-        print(f"[ERROR] Error en el proceso de predicción: {str(e)}")
+        print(f"[ERROR] Error al procesar la solicitud: {str(e)}")
         raise HTTPException(status_code=500, detail="Error al realizar la predicción.")
 
 if __name__ == "__main__":
     print("Iniciando servidor de predicciones en localhost:8000")
-    uvicorn.run(app, host="0.0.0.0", port=7860)
+    uvicorn.run(app, host="0.0.0.0", port=8000)