Update app.py

app.py

@@ -1,52 +1,36 @@
 import gradio as gr
-from transformers import Blip2Processor, Blip2ForConditionalGeneration, pipeline
+from huggingface_hub import InferenceApi
 from PIL import Image
-import os
 import io
 from functools import lru_cache
 import tempfile
 
-# Função para verificar se o modelo existe localmente
-def check_model_locally(model_name):
-    cache_dir = os.path.expanduser("~/.cache/huggingface/transformers")
-    model_path = os.path.join(cache_dir, model_name.replace("/", "--"))
-    return os.path.exists(model_path)
+# Variável global para armazenar o token da API (padrão vazio)
+API_TOKEN = ""
 
-# Carregar o modelo BLIP-2 para geração de descrições de imagens
-model_blip2_name = "Salesforce/blip2-opt-2.7b"
-if check_model_locally(model_blip2_name):
-    print(f"Modelo {model_blip2_name} encontrado localmente.")
-    processor = Blip2Processor.from_pretrained(model_blip2_name, local_files_only=True)
-    model_blip2 = Blip2ForConditionalGeneration.from_pretrained(model_blip2_name, local_files_only=True)
-else:
-    print(f"Modelo {model_blip2_name} não encontrado localmente. Baixando...")
-    processor = Blip2Processor.from_pretrained(model_blip2_name)
-    model_blip2 = Blip2ForConditionalGeneration.from_pretrained(model_blip2_name)
+# Função para atualizar o token da API
+def update_api_token(new_token):
+    global API_TOKEN
+    API_TOKEN = new_token.strip()
+    return f"✅ Token atualizado com sucesso: {API_TOKEN[:8]}... (ocultado)"
 
-# Carregar o modelo de linguagem para análise nutricional (exemplo: Flan-T5)
-nutrition_model_name = "google/flan-t5-large"
-if check_model_locally(nutrition_model_name):
-    print(f"Modelo {nutrition_model_name} encontrado localmente.")
-    nutrition_model = pipeline("text2text-generation", model=nutrition_model_name, local_files_only=True)
-else:
-    print(f"Modelo {nutrition_model_name} não encontrado localmente. Baixando...")
-    nutrition_model = pipeline("text2text-generation", model=nutrition_model_name)
+# Função para criar uma instância da API com o token atualizado
+def get_inference_api(repo_id):
+    return InferenceApi(repo_id=repo_id, token=API_TOKEN)
 
-# Função para interpretar a imagem com cache
+# Funções para os modelos utilizando a API Hugging Face
 @lru_cache(maxsize=128)
 def interpret_image_cached(image_bytes):
-    image = Image.open(io.BytesIO(image_bytes)).convert("RGB")
-    inputs = processor(image, return_tensors="pt")
-    out = model_blip2.generate(**inputs)
-    description = processor.decode(out[0], skip_special_tokens=True)
-    description = description.strip().capitalize()
+    captioning_api = get_inference_api("Salesforce/blip2-opt-2.7b")
+    response = captioning_api(image_bytes)
+    description = response.get("generated_text", "").strip().capitalize()
     if not description.endswith("."):
         description += "."
     return description
 
-# Função para análise nutricional com cache
 @lru_cache(maxsize=128)
 def nutritional_analysis_cached(description):
+    nutrition_api = get_inference_api("google/flan-t5-large")
     prompt = (
         f"Com base na descrição do prato de comida abaixo, forneça uma análise nutricional detalhada.\n\n"
         f"Descrição do prato: {description}\n\n"
@@ -59,27 +43,27 @@ def nutritional_analysis_cached(description):
         f"- Recomendações para melhorar o prato: [sugestões]\n\n"
         f"Análise nutricional:"
     )
-    analysis = nutrition_model(prompt, max_length=300)[0]['generated_text']
-    analysis = analysis.replace("Análise nutricional:", "").strip()
+    response = nutrition_api(prompt, max_length=300)
+    analysis = response.get("generated_text", "").replace("Análise nutricional:", "").strip()
     return analysis
 
-# Função para gerar dicas de saúde com cache
 @lru_cache(maxsize=128)
 def health_tips_cached(description):
+    nutrition_api = get_inference_api("google/flan-t5-large")
     prompt = (
         f"Com base na descrição do prato de comida abaixo, forneça dicas de saúde e sugestões "
         f"para melhorar o prato, tornando-o mais equilibrado e nutritivo. Liste as dicas em tópicos.\n\n"
         f"Descrição do prato: {description}\n\n"
         f"Dicas de saúde:"
     )
-    tips = nutrition_model(prompt, max_length=150)[0]['generated_text']
-    tips = tips.replace("Dicas de saúde:", "").strip()
+    response = nutrition_api(prompt, max_length=150)
+    tips = response.get("generated_text", "").replace("Dicas de saúde:", "").strip()
     return tips
 
-# Função para processar a imagem e gerar todos os resultados
+# Função principal para processar a imagem e gerar resultados
 def process_image(image):
     try:
-        # Converter a imagem para bytes e gerar a descrição com cache
+        # Converter a imagem para bytes para uso com as APIs
         buffered = io.BytesIO()
         image.save(buffered, format="JPEG")
         image_bytes = buffered.getvalue()
@@ -93,7 +77,6 @@ def process_image(image):
             f"Dicas de Saúde:\n{tips}"
         )
         feedback_message = "✅ Análise concluída com sucesso!"
-        # Retorne os 5 outputs: cada aba e um estado oculto com o resultado completo
         return description, analysis, tips, complete_result, complete_result, feedback_message
     except Exception as e:
         feedback_message = f"❌ Erro ao processar a imagem: {str(e)}"
@@ -105,24 +88,26 @@ def generate_download(complete_result):
         with tempfile.NamedTemporaryFile(delete=False, suffix=".txt", mode="w", encoding="utf-8") as tmp:
             tmp.write(complete_result)
             return tmp.name
-    except Exception as e:
+    except Exception:
         return None
 
+# Interface Gradio com aba Settings para configurar o token da API
 with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) as demo:
     with gr.Row():
         gr.Markdown("""
         # 🍽️ Agente Nutricionista Inteligente Avançado
         ### Revolucione a análise de suas refeições com IA de última geração!
-        - **Descrição automática** de pratos a partir de imagens.
-        - **Análise nutricional detalhada** com estimativas precisas de calorias e macronutrientes.
-        - **Dicas de saúde personalizadas** para aprimorar sua alimentação.
-        - **Resultado completo para download** em formato TXT.
+        - **[Descrição automática](pplx://action/followup)** de pratos a partir de imagens.
+        - **[Análise nutricional detalhada](pplx://action/followup)** com estimativas precisas de calorias e macronutrientes.
+        - **[Dicas de saúde personalizadas](pplx://action/followup)** para aprimorar sua alimentação.
+        - **[Resultado completo para download](pplx://action/followup)** em formato TXT.
         """)
 
     with gr.Row():
         with gr.Column(scale=1):
             gr.Markdown("### 📸 Carregue uma Imagem")
             image_input = gr.Image(type="pil", label="Upload de Imagem", height=300)
+        
         with gr.Column(scale=2):
             gr.Markdown("### 🔍 Resultados")
             with gr.Tabs():
@@ -134,42 +119,35 @@ with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) a
                     tips_output = gr.Textbox(label="Dicas de Saúde", lines=6, interactive=False)
                 with gr.TabItem("Resultado Completo"):
                     complete_result_output = gr.Textbox(label="Resultado Completo", lines=15, interactive=False)
-
+                with gr.TabItem("Settings"):
+                    api_token_input = gr.Textbox(label="Token da API Hugging Face", placeholder="Insira seu token aqui...")
+                    update_button = gr.Button("Atualizar Token")
+                    update_feedback = gr.Markdown("")
+    
     with gr.Row():
         submit_button = gr.Button("✨ Analisar Prato", variant="primary")
         download_button = gr.Button("💾 Baixar Resultado", variant="secondary")
 
     # Estado oculto para armazenar o resultado completo para o download
     result_state = gr.State("")
-    feedback = gr.Markdown("")
-
+    
     submit_button.click(
         process_image,
         inputs=image_input,
-        outputs=[description_output, analysis_output, tips_output, complete_result_output, result_state, feedback]
+        outputs=[description_output, analysis_output, tips_output, complete_result_output, result_state]
     )
-
+    
     download_button.click(
         generate_download,
         inputs=result_state,
         outputs=gr.File(label="Seu Resultado")
     )
 
-    with gr.Row():
-        gr.Markdown("""
-        ---
-        ### 💡 Dicas para Melhores Resultados:
-        - Utilize imagens de alta resolução e boa iluminação.
-        - Certifique-se de que todos os ingredientes estejam visíveis.
-        - Experimente diferentes ângulos para capturar os detalhes do prato.
-        
-        ### 🌟 Conecte-se Conosco
-        - Para mais informações, visite nosso site oficial ou siga nossas redes sociais!
-        """)
-
-    examples = [
-        "https://huggingface.co/spaces/DHEIVER/blip-image-captioning-base/blob/main/img.jpg"
-    ]
-    gr.Examples(examples, inputs=image_input)
+    # Conectar botão de atualização do token à função correspondente
+    update_button.click(
+        update_api_token,
+        inputs=api_token_input,
+        outputs=update_feedback
+    )
 
 demo.launch()