Update app.py

app.py

@@ -6,42 +6,34 @@ from inference import load_model, predict
 from PIL import Image
 import numpy as np
 
-# 1. Baixa o arquivo .bin do seu repositório de modelo (público)
+# Baixa o peso .bin do Model Hub
 model_path = hf_hub_download(
     repo_id="vncgabriel/instancia-segmentation-model",
-    filename="pytorch_model.bin",  # nome exato enviado ao Hub
+    filename="pytorch_model.bin",
     repo_type="model",
 )
 
-# 2. Carrega o modelo na CPU ou GPU
+# Carrega o modelo
 device = "cuda" if torch.cuda.is_available() else "cpu"
 model = load_model(model_path, device=device)
 
-# 3. Função de predição para o Gradio
 def segment(image: Image.Image):
     img_arr = np.array(image).astype(np.float32) / 255.0
     img_tensor = torch.from_numpy(img_arr).permute(2, 0, 1).to(device)
-
     mask = predict(model, img_tensor).cpu().numpy()
     bin_mask = (mask > 0.5).astype(np.uint8) * 255
-
     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
 iface = gr.Interface(
     fn=segment,
     inputs=gr.Image(type="pil"),
     outputs=gr.Image(type="pil"),
     title="Segmentação de Instâncias",
-    description="Envie uma imagem e obtenha a segmentação de instâncias usando UNet pré-treinado.",
-    examples=[
-        ["example1.jpg"],
-        ["example2.jpg"],
-    ],
+    description="Envie uma imagem e obtenha a segmentação de instâncias usando UNet pré-treinado."
 )
 
 if __name__ == "__main__":