Update app.py

app.py

@@ -2,13 +2,33 @@ import gradio as gr
 from transformers import Blip2Processor, Blip2ForConditionalGeneration, pipeline
 from PIL import Image
 import requests
+import os
+
+# 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)
 
 # Carregar o modelo BLIP-2 para geração de descrições de imagens
-processor = Blip2Processor.from_pretrained("Salesforce/blip2-opt-2.7b")
-model_blip2 = Blip2ForConditionalGeneration.from_pretrained("Salesforce/blip2-opt-2.7b")
+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)
 
 # Carregar um modelo de linguagem para análise nutricional (exemplo: Flan-T5)
-nutrition_model = pipeline("text2text-generation", model="google/flan-t5-large")
+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)
 
 def interpret_image(image):
     # Converter a imagem para o formato PIL se necessário