app.py

import re
import gradio as gr

import torch
from transformers import DonutProcessor, VisionEncoderDecoderModel

# Carregar o processador e o modelo
processor = DonutProcessor.from_pretrained("naver-clova-ix/donut-base-finetuned-docvqa")
model = VisionEncoderDecoderModel.from_pretrained("naver-clova-ix/donut-base-finetuned-docvqa")

device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

def process_document(image, question):
    # Preparar entradas do codificador
    pixel_values = processor(image, return_tensors="pt").pixel_values
    
    # Preparar entradas do decodificador
    task_prompt = "<s_docvqa><s_question>{user_input}</s_question><s_answer>"
    prompt = task_prompt.replace("{user_input}", question)
    decoder_input_ids = processor.tokenizer(prompt, add_special_tokens=False, return_tensors="pt").input_ids
          
    # Gerar resposta
    outputs = model.generate(
        pixel_values.to(device),
        decoder_input_ids=decoder_input_ids.to(device),
        max_length=model.decoder.config.max_position_embeddings,
        early_stopping=True,
        pad_token_id=processor.tokenizer.pad_token_id,
        eos_token_id=processor.tokenizer.eos_token_id,
        use_cache=True,
        num_beams=1,
        bad_words_ids=[[processor.tokenizer.unk_token_id]],
        return_dict_in_generate=True,
    )
    
    # Pós-processar
    sequence = processor.batch_decode(outputs.sequences)[0]
    sequence = sequence.replace(processor.tokenizer.eos_token, "").replace(processor.tokenizer.pad_token, "")
    sequence = re.sub(r"<.*?>", "", sequence, count=1).strip()  # remover o primeiro token de início de tarefa
    
    return processor.token2json(sequence)

# Descrição e artigo
description = "Demonstração do Gradio para o Donut, uma instância do `VisionEncoderDecoderModel` afinada no DocVQA (perguntas sobre documentos visuais). Para usar, basta fazer o upload da sua imagem, digitar uma pergunta e clicar em 'enviar', ou clicar em um dos exemplos para carregá-los. Leia mais nos links abaixo."
article = "<p style='text-align: center'><a href='https://arxiv.org/abs/2111.15664' target='_blank'>Donut: Transformer para Compreensão de Documentos sem OCR</a> | <a href='https://github.com/clovaai/donut' target='_blank'>Repositório no Github</a></p>"

# Configurar a interface Gradio
demo = gr.Interface(
    fn=process_document,
    inputs=["image", "text"],
    outputs="json",
    title="Resposta Documental com Donut",
    description=description,
    article=article,
    examples=[["example_1.png", "Quando é o intervalo para café?"], ["example_2.jpeg", "Qual é a população de Stoddard?"]],
    cache_examples=False
)

# Executar a interface
demo.launch()