app.py

# Importa a biblioteca Gradio (para criar a interface web)
import gradio as gr
# Importa a função 'pipeline' (a forma mais fácil de usar um modelo do HF)
from transformers import pipeline

# 1. Carregar o "Cérebro" da IA
# Vamos usar o modelo de classificação de imagem padrão do Google (ViT)
# O pipeline cuida de todo o pré-processamento para nós!
classifier = pipeline("image-classification", model="google/vit-base-patch16-224")

# 2. Definir a Função de Previsão
# Esta é a função que será chamada toda vez que o usuário enviar uma imagem.
def predict(imagem_do_usuario):
    # O 'classifier' processa a imagem...
    predictions = classifier(imagem_do_usuario)
    
    # ...e retorna uma lista de previsões.
    # Vamos formatar isso para o Gradio entender:
    # Ex: [{'label': 'gato egípcio', 'score': 0.8}, {'label': 'outro gato', 'score': 0.1}]
    # Transforma em: {'gato egípcio': 0.8, 'outro gato': 0.1}
    
    return {p['label']: p['score'] for p in predictions}

# 3. Criar a Interface Gráfica
# Aqui nós dizemos ao Gradio quais componentes usar.
iface = gr.Interface(
    fn=predict,                                     # A função que deve ser chamada
    inputs=gr.Image(label="Faça o upload da sua imagem"), # Componente de entrada
    outputs=gr.Label(num_top_classes=3, label="Previsões"), # Componente de saída
    
    # Textos de ajuda
    title="Meu Primeiro App de IA 🚀",
    description="Este app foi construído com Gradio e Hugging Face. Ele usa o modelo 'ViT' do Google para adivinhar o que está na foto.",
    
    # Exemplos para o usuário clicar
    # Alterado para usar os arquivos locais (cats.jpg, dogs.jpg) que fizemos upload,
    # em vez de usar URLs remotas, o que causava o erro 401.
    examples=[
        ["cats.jpg"],
        ["dogs.jpg"]
    ]
)

# 4. Lançar o App!
iface.launch()