app.py

import gradio as gr
import torch
from transformers import AutoProcessor, AutoModelForCausalLM
import pandas as pd
import numpy as np
from PIL import Image

def get_model():
    """Inicializa o modelo uma única vez"""
    device = "cuda" if torch.cuda.is_available() else "cpu"
    model_name = "microsoft/git-base-coco"
    
    processor = AutoProcessor.from_pretrained(model_name)
    model = AutoModelForCausalLM.from_pretrained(model_name)
    model = model.to(device)
    
    return processor, model, device

# Base de dados nutricional simplificada
NUTRITION_DB = {
    "arroz": {"calorias": 130, "proteinas": 2.7, "carboidratos": 28, "gorduras": 0.3},
    "feijão": {"calorias": 77, "proteinas": 5.2, "carboidratos": 13.6, "gorduras": 0.5},
    "frango": {"calorias": 165, "proteinas": 31, "carboidratos": 0, "gorduras": 3.6},
    "salada": {"calorias": 15, "proteinas": 1.4, "carboidratos": 2.9, "gorduras": 0.2},
}

def process_image(image, progress=gr.Progress()):
    """Processa a imagem e retorna a descrição"""
    try:
        progress(0.3, desc="Carregando modelo...")
        processor, model, device = get_model()
        
        progress(0.5, desc="Processando imagem...")
        if isinstance(image, np.ndarray):
            image = Image.fromarray(image)
        
        # Processa a imagem
        inputs = processor(images=image, return_tensors="pt").to(device)
        
        progress(0.7, desc="Gerando descrição...")
        # Gera a descrição
        outputs = model.generate(
            **inputs,
            max_new_tokens=50,
            num_beams=1,
            temperature=1.0,
        )
        
        # Decodifica a saída
        description = processor.decode(outputs[0], skip_special_tokens=True)
        
        progress(1.0, desc="Concluído!")
        return description.strip()
    
    except Exception as e:
        raise gr.Error(f"Erro no processamento da imagem: {str(e)}")

def analyze_foods(description):
    """Analisa a descrição e retorna informações nutricionais"""
    try:
        # Identifica alimentos da base de dados na descrição
        found_foods = []
        for food in NUTRITION_DB.keys():
            if food in description.lower():
                found_foods.append(food)
        
        if not found_foods:
            return "Nenhum alimento conhecido identificado.", None, None
        
        # Calcula nutrientes
        total_nutrients = {
            "calorias": 0,
            "proteinas": 0,
            "carboidratos": 0,
            "gorduras": 0
        }
        
        for food in found_foods:
            for nutrient, value in NUTRITION_DB[food].items():
                total_nutrients[nutrient] += value
        
        # Prepara dados para visualização
        table_data = [
            ["Calorias", f"{total_nutrients['calorias']:.1f} kcal"],
            ["Proteínas", f"{total_nutrients['proteinas']:.1f}g"],
            ["Carboidratos", f"{total_nutrients['carboidratos']:.1f}g"],
            ["Gorduras", f"{total_nutrients['gorduras']:.1f}g"]
        ]
        
        # Dados para o gráfico
        plot_data = pd.DataFrame({
            'Nutriente': ['Proteínas', 'Carboidratos', 'Gorduras'],
            'Quantidade': [
                total_nutrients['proteinas'],
                total_nutrients['carboidratos'],
                total_nutrients['gorduras']
            ]
        })
        
        analysis = f"""### Alimentos Identificados:
• {', '.join(found_foods)}

### Descrição do Modelo:
{description}

### Análise Nutricional:
• Calorias Totais: {total_nutrients['calorias']:.1f} kcal
• Proteínas: {total_nutrients['proteinas']:.1f}g
• Carboidratos: {total_nutrients['carboidratos']:.1f}g
• Gorduras: {total_nutrients['gorduras']:.1f}g
"""
        
        return analysis, table_data, plot_data
        
    except Exception as e:
        raise gr.Error(f"Erro na análise: {str(e)}")

def analyze_image(image):
    """Função principal que coordena o processo de análise"""
    try:
        # Processa a imagem
        description = process_image(image)
        
        # Analisa os alimentos
        analysis, table_data, plot_data = analyze_foods(description)
        
        return analysis, table_data, plot_data
        
    except Exception as e:
        return str(e), None, None

# Interface Gradio
with gr.Blocks(theme=gr.themes.Soft()) as iface:
    gr.Markdown("""
    # 🍽️ Análise Nutricional com IA
    Faça upload de uma foto do seu prato para análise nutricional.
    """)
    
    with gr.Row():
        # Coluna de Input
        with gr.Column():
            image_input = gr.Image(
                type="pil",
                label="Foto do Prato",
                sources=["upload", "webcam"]
            )
            analyze_btn = gr.Button("📊 Analisar", variant="primary")
        
        # Coluna de Output
        with gr.Column():
            # Análise textual
            output_text = gr.Markdown(label="Análise")
            
            # Tabela nutricional
            output_table = gr.Dataframe(
                headers=["Nutriente", "Quantidade"],
                label="Informação Nutricional"
            )
            
            # Gráfico
            output_plot = gr.BarPlot(
                x="Nutriente",
                y="Quantidade",
                title="Macronutrientes (g)",
                height=300
            )
    
    # Eventos
    analyze_btn.click(
        fn=analyze_image,
        inputs=[image_input],
        outputs=[output_text, output_table, output_plot]
    )

if __name__ == "__main__":
    iface.launch()