Update app.py

app.py

@@ -1,4 +1,3 @@
-# app.py
 import gradio as gr
 import torch
 from huggingface_hub import hf_hub_download
@@ -6,7 +5,7 @@ from inference import load_model, predict
 from PIL import Image
 import numpy as np
 
-# 1. Baixa o peso do modelo diretamente do Hugging Face Hub
+# 1. Baixa os pesos do modelo diretamente do Hugging Face Hub
 model_path = hf_hub_download(
     repo_id="vncgabriel/instancia-segmentation-model",
     filename="pytorch_model.pth",
@@ -23,32 +22,26 @@ def segment(image: Image.Image):
     Recebe uma PIL Image, converte para tensor, normaliza e gera máscara.
     Retorna imagem original sobreposta com a máscara.
     """
-    # Converter PIL -> np.array -> tensor
     img_arr = np.array(image).astype(np.float32) / 255.0
-    # formato HWC -> CHW
     img_tensor = torch.from_numpy(img_arr).permute(2, 0, 1).to(device)
 
-    # predição
     mask = predict(model, img_tensor).cpu().numpy()
-    # máscara binária
     bin_mask = (mask > 0.5).astype(np.uint8) * 255
 
-    # sobrepor máscara vermelha semitransparente
     overlay = image.convert("RGBA")
     mask_img = Image.fromarray(bin_mask).convert("L")
     red = Image.new("RGBA", image.size, color=(255, 0, 0, 100))
     overlay.paste(red, mask=mask_img)
     return overlay
 
-# 4. Define a interface Gradio
+# 4. Interface Gradio
 iface = gr.Interface(
     fn=segment,
     inputs=gr.Image(type="pil"),
     outputs=gr.Image(type="pil"),
-    title="Segmentación de Instancias",
-    description="Sube una imagen y obtén la segmentación de instancias usando UNet preentrenado.",
+    title="Segmentação de Instâncias",
+    description="Envie uma imagem e obtenha a segmentação de instâncias usando UNet pré-treinado.",
     examples=[
-        # opcional: caminhos locais ou URLs para imagens de exemplo
         ["example1.jpg"],
         ["example2.jpg"],
     ],