Update README.md

README.md

@@ -1,6 +1,19 @@
 ---
 library_name: transformers
-tags: []
+tags:
+- video-classification
+- videomae
+- medical
+- pain-assessment
+- healthcare
+- computer-vision
+- pytorch
+metrics:
+- f1
+- accuracy
+- recall
+- confusion_matrix
+- precision
 ---
 
 # Classificador de Dor em Vídeo
@@ -15,7 +28,68 @@ Este modelo foi treinado para classificar vídeos de expressões faciais em trê
 
 O modelo é baseado no [VideoMAE](https://huggingface.co/MCG-NJU/videomae-base) (Video Masked Autoencoder) e foi refinado (fine-tuned) especificamente para detectar e classificar níveis de dor a partir de vídeos de expressões faciais.
 
-
+## Exemplo de uso
+```python
+import os
+os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 
+
+
+from transformers import VideoMAEImageProcessor, AutoModelForVideoClassification
+import torch
+import numpy as np
+import av
+
+
+
+def extract_frames(video_path, num_frames=16):
+    frames = []
+    try:
+        container = av.open(video_path)
+        stream = container.streams.video[0]
+        indices = np.linspace(0, stream.frames - 1, num=num_frames, dtype=int)
+        
+        for i, frame in enumerate(container.decode(stream)):
+            if i in indices:
+                img = frame.to_ndarray(format="rgb24")
+                frames.append(img)
+            if len(frames) == num_frames:
+                break
+                
+        container.close()
+    except Exception as e:
+        print(f"Erro ao processar o vídeo: {e}")
+        
+    if len(frames) < num_frames:
+        pad_size = num_frames - len(frames)
+        if frames:
+            last_frame = frames[-1]
+            frames += [last_frame.copy() for _ in range(pad_size)]
+        else:
+            frames = [np.zeros((224, 224, 3), dtype=np.uint8)] * num_frames
+            
+    return frames
+
+processor = VideoMAEImageProcessor.from_pretrained("maike616/pain-classifier-video")
+model = AutoModelForVideoClassification.from_pretrained("maike616/pain-classifier-video")
+
+high = r'AI4Pain Dataset\Validation\video\high_pain\1_Pain_HIGH_20.mp4'
+low  = r'AI4Pain Dataset\Validation\video\low_pain\1_Pain_LOW_3.mp4'
+no_pain = r'AI4Pain Dataset\Validation\video\no_pain\1_Rest_1.mp4'
+
+video_frames = extract_frames(no_pain)
+
+inputs = processor(video_frames, return_tensors="pt")
+
+with torch.no_grad():
+    outputs = model(**inputs)
+    probs = torch.softmax(outputs.logits, dim=1)
+    predicted_class_idx = outputs.logits.argmax(-1).item()
+    predicted_class = model.config.id2label[predicted_class_idx]
+    
+print(f"Classe predita: {predicted_class}")
+print(f"Probabilidades: {probs[0].tolist()}")
+
+```
 
 ## Detalhes do Treinamento