app.py

import gradio as gr
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer
import pandas as pd
import numpy as np
from PIL import Image
from huggingface_hub import hf_hub_download
import os

# Base de dados nutricional
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},
    "batata": {"calorias": 93, "proteinas": 2.5, "carboidratos": 21, "gorduras": 0.1},
    "carne": {"calorias": 250, "proteinas": 26, "carboidratos": 0, "gorduras": 17},
    "peixe": {"calorias": 206, "proteinas": 22, "carboidratos": 0, "gorduras": 12},
    "macarrão": {"calorias": 158, "proteinas": 5.8, "carboidratos": 31, "gorduras": 1.2},
    "ovo": {"calorias": 155, "proteinas": 13, "carboidratos": 1.1, "gorduras": 11},
}

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"""### 🍽️ Descrição do Modelo:
{description}

### 🔍 Alimentos Identificados:
• {', '.join(found_foods)}

### 📊 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

### 💡 Avaliação:
{"✅ Refeição balanceada!" if total_nutrients['proteinas'] > 15 else "⚠️ Considere adicionar mais proteínas"}
{"✅ Carboidratos adequados" if total_nutrients['carboidratos'] < 60 else "⚠️ Alto teor de carboidratos"}
{"✅ Gorduras em nível adequado" if total_nutrients['gorduras'] < 20 else "⚠️ Alto teor de gorduras"}
"""
        
        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:
        # Simula a resposta do modelo (temporário até resolvermos o erro do DeepSeek)
        description = "Na imagem é possível ver um prato contendo arroz branco cozido, feijão, um pedaço de frango grelhado e uma pequena porção de salada com alface e tomate."
        
        # 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 detalhada.
    """)
    
    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", size="lg")
            
            with gr.Accordion("📝 Dicas", open=False):
                gr.Markdown("""
                - Use fotos bem iluminadas
                - Fotografe de cima para baixo
                - Certifique-se que todos os alimentos estão visíveis
                - Evite sombras ou reflexos fortes
                """)
        
        # Coluna de Output
        with gr.Column():
            # Análise textual
            output_text = gr.Markdown()
            
            with gr.Row():
                # Tabela nutricional
                output_table = gr.Dataframe(
                    headers=["Nutriente", "Quantidade"],
                    label="Informação Nutricional",
                    wrap=True
                )
                
                # Gráfico
                output_plot = gr.BarPlot(
                    x="Nutriente",
                    y="Quantidade",
                    title="Macronutrientes (g)",
                    height=300,
                    tooltip=["Nutriente", "Quantidade"]
                )
    
    # Eventos
    analyze_btn.click(
        fn=analyze_image,
        inputs=[image_input],
        outputs=[output_text, output_table, output_plot]
    )

if __name__ == "__main__":
    print(f"Usando dispositivo: {'CUDA' if torch.cuda.is_available() else 'CPU'}")
    iface.launch(share=False)