app.py

import numpy as np
import torch
import torch.nn.functional as F
from torchvision.transforms.functional import normalize
import gradio as gr
from briarmbg import BriaRMBG
import PIL
from PIL import Image
from typing import Tuple

# Carregar o modelo pré-treinado
net = BriaRMBG.from_pretrained("briaai/RMBG-1.4")
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
net.to(device)

# Função para redimensionar a imagem para o tamanho que o modelo espera
def redimensionar_imagem(imagem):
    imagem = imagem.convert('RGB')
    tamanho_entrada_modelo = (1024, 1024)
    imagem = imagem.resize(tamanho_entrada_modelo, Image.BILINEAR)
    return imagem

# Função principal para processar a imagem
def processar(imagem):
    # preparar entrada
    imagem_original = Image.fromarray(imagem)
    w, h = imagem_original.size
    imagem = redimensionar_imagem(imagem_original)
    im_np = np.array(imagem)
    im_tensor = torch.tensor(im_np, dtype=torch.float32).permute(2, 0, 1)
    im_tensor = torch.unsqueeze(im_tensor, 0)
    im_tensor = torch.divide(im_tensor, 255.0)
    im_tensor = normalize(im_tensor, [0.5, 0.5, 0.5], [1.0, 1.0, 1.0])
    
    if torch.cuda.is_available():
        im_tensor = im_tensor.cuda()

    # Inferência com o modelo
    resultado = net(im_tensor)
    
    # Pós-processamento
    resultado = torch.squeeze(F.interpolate(resultado[0][0], size=(h, w), mode='bilinear'), 0)
    ma = torch.max(resultado)
    mi = torch.min(resultado)
    resultado = (resultado - mi) / (ma - mi)
    
    # Convertendo o resultado para imagem PIL
    im_array = (resultado * 255).cpu().data.numpy().astype(np.uint8)
    pil_im = Image.fromarray(np.squeeze(im_array))
    
    # Colando a máscara na imagem original
    nova_im = Image.new("RGBA", pil_im.size, (0, 0, 0, 0))
    nova_im.paste(imagem_original, mask=pil_im)

    return nova_im

# Interface com Gradio
gr.Markdown("")

# Exemplos
exemplos = [['./input.jpg']]

# Configurando a interface
output = gr.Image(type="pil", label="Imagem Processada")

# Definindo a interface com inputs e outputs
demo = gr.Interface(
    fn=processar,
    inputs=gr.Image(type="numpy", label="Carregar Imagem"),  # Mantido em português
    outputs=output,
    examples=exemplos
)

# Executando a interface
demo.launch(share=False)