Update app.py

app.py

@@ -1,7 +1,8 @@
 import gradio as gr
-from huggingface_hub import InferenceApi
+from huggingface_hub import InferenceClient
 from PIL import Image
 import io
+import base64
 from functools import lru_cache
 import tempfile
 
@@ -14,23 +15,41 @@ def update_api_token(new_token):
     API_TOKEN = new_token.strip()
     return f"✅ Token atualizado com sucesso: {API_TOKEN[:8]}... (ocultado)"
 
-# 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 criar uma instância da API com o token atualizado usando InferenceClient
+def get_inference_client(model):
+    return InferenceClient(model=model, token=API_TOKEN)
 
-# Funções para os modelos utilizando a API Hugging Face
+# Função para interpretar a imagem com cache utilizando InferenceClient (captioning)
 @lru_cache(maxsize=128)
 def interpret_image_cached(image_bytes):
-    captioning_api = get_inference_api("Salesforce/blip2-opt-2.7b")
-    response = captioning_api(image_bytes)
-    description = response.get("generated_text", "").strip().capitalize()
+    # Converter imagem para base64 e criar data URI
+    base64_image = base64.b64encode(image_bytes).decode("utf-8")
+    data_uri = f"data:image/jpeg;base64,{base64_image}"
+    
+    # Instanciar o client para o modelo de captioning
+    client = get_inference_client("Salesforce/blip2-opt-2.7b")
+    
+    # Construção da mensagem seguindo o exemplo da API de chat para visão
+    messages = [{
+        "role": "user",
+        "content": [
+            {"type": "image_url", "image_url": {"url": data_uri}},
+            {"type": "text", "text": "Descreva esta imagem em uma frase."}
+        ]
+    }]
+    
+    # Chamada da API usando método de chat (a estrutura de retorno segue o padrão da API)
+    output = client.chat.completions.create(messages=messages)
+    # Supondo que o resultado esteja em output["choices"][0]["message"]["content"]
+    description = output["choices"][0]["message"]["content"].strip().capitalize()
     if not description.endswith("."):
         description += "."
     return description
 
+# Função para análise nutricional com cache utilizando InferenceClient e método post
 @lru_cache(maxsize=128)
 def nutritional_analysis_cached(description):
-    nutrition_api = get_inference_api("google/flan-t5-large")
+    client = get_inference_client("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"
@@ -43,27 +62,28 @@ def nutritional_analysis_cached(description):
         f"- Recomendações para melhorar o prato: [sugestões]\n\n"
         f"Análise nutricional:"
     )
-    response = nutrition_api(prompt, max_length=300)
+    response = client.post(json={"inputs": prompt})
     analysis = response.get("generated_text", "").replace("Análise nutricional:", "").strip()
     return analysis
 
+# Função para gerar dicas de saúde com cache utilizando InferenceClient e método post
 @lru_cache(maxsize=128)
 def health_tips_cached(description):
-    nutrition_api = get_inference_api("google/flan-t5-large")
+    client = get_inference_client("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:"
     )
-    response = nutrition_api(prompt, max_length=150)
+    response = client.post(json={"inputs": prompt})
     tips = response.get("generated_text", "").replace("Dicas de saúde:", "").strip()
     return tips
 
 # Função principal para processar a imagem e gerar resultados
 def process_image(image):
     try:
-        # Converter a imagem para bytes para uso com as APIs
+        # Converter imagem para bytes
         buffered = io.BytesIO()
         image.save(buffered, format="JPEG")
         image_bytes = buffered.getvalue()
@@ -129,7 +149,6 @@ with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) a
     
     # Estado oculto para armazenar o resultado completo para o download
     result_state = gr.State("")
-    # Campo de feedback para exibir mensagens do processo
     feedback = gr.Markdown("")
     
     submit_button.click(
@@ -143,8 +162,7 @@ with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) a
         inputs=result_state,
         outputs=gr.File(label="Seu Resultado")
     )
-
-    # Conectar botão de atualização do token à função correspondente
+    
     update_button.click(
         update_api_token,
         inputs=api_token_input,