Update README.md

README.md

@@ -1,16 +1,43 @@
-# Segmentação de Instâncias de Jogadores
+title: "InstânciaSegmentation"
+emoji: "🏟️"
+colorFrom: "blue"
+colorTo: "green"
+sdk: "gradio"
+sdk_version: "3.34.0"
+app_file: "app.py"
+pinned: false
 
-Este repositório contém um modelo **U-Net** pré-treinado para segmentação de instâncias de jogadores de futebol. O modelo foi treinado para produzir máscaras binárias destacando jogadores (classe `"player"`) em relação ao fundo. 
+InstânciaSegmentation Space
 
-## Arquivos
+Este Space roda um modelo UNet pré-treinado para segmentação de instâncias.
 
-- **`config.json`**: configurações do modelo (arquitetura, canais, classes):contentReference[oaicite:15]{index=15}.
-- **`pytorch_model.bin`**: pesos treinados da rede U-Net:contentReference[oaicite:16]{index=16}.
-- **`inference.py`**: define e carrega o modelo UNet, com funções `load_model` e `predict` para inferência:contentReference[oaicite:17]{index=17}:contentReference[oaicite:18]{index=18}.
-- **`app.py`**: interface web Gradio para fazer upload de imagens e visualizar a segmentação resultante.
-- **`requirements.txt`**: dependências Python necessárias (torch, gradio, etc.).
+Arquivos
 
-## Uso
+app.py          : Interface Gradio
 
-Para testar o modelo no Hugging Face Spaces, acesse o demo e faça upload de uma imagem; em seguida, clique em *Enviar*. A máscara predita aparecerá à direita. O modelo já inclui todas as dependências no arquivo `requirements.txt` e não exige downloads adicionais manuais. 
+inference.py    : Definição e carregamento do modelo
 
+config.json     : Metadados do modelo
+
+pytorch_model.bin: Pesos do modelo
+
+requirements.txt: Dependências
+
+.gitignore      : Ignora arquivos desnecessários
+
+LICENSE         : MIT License
+
+Como executar
+
+Online
+
+Acesse: https://huggingface.co/spaces/vncgabriel/InstânciaSegmentation
+
+Localmente
+
+git clone https://huggingface.co/spaces/vncgabriel/InstânciaSegmentation.git
+cd InstânciaSegmentation
+pip install -r requirements.txt
+python app.py
+
+Pronto! Suba sua imagem e veja a segmentação.