Spaces:
Build error
Build error
| import gradio as gr | |
| import torch | |
| import pandas as pd | |
| import numpy as np | |
| from PIL import Image | |
| import re | |
| # Base de dados nutricional expandida com variações e sinônimos | |
| FOOD_ALIASES = { | |
| "arroz": ["arroz branco", "arroz integral", "arroz cozido", "arroz solto"], | |
| "feijão": ["feijão preto", "feijão carioca", "feijão vermelho", "feijões"], | |
| "frango": ["frango grelhado", "peito de frango", "filé de frango", "frango assado", "chicken"], | |
| "salada": ["alface", "tomate", "verduras", "legumes", "vegetais", "salada verde"], | |
| "batata": ["batata cozida", "batata assada", "purê de batata", "potato"], | |
| "carne": ["carne vermelha", "bife", "filé", "carne assada", "beef"], | |
| "peixe": ["filé de peixe", "peixe grelhado", "peixe assado", "fish"], | |
| "macarrão": ["espaguete", "massa", "pasta", "macarrão integral", "noodles"], | |
| "ovo": ["ovo frito", "ovo cozido", "ovos", "omelete", "eggs"] | |
| } | |
| 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 identify_foods(description): | |
| """ | |
| Identifica alimentos na descrição usando múltiplas verificações | |
| """ | |
| found_foods = {} | |
| description = description.lower() | |
| # Primeira verificação: busca direta | |
| for base_food in NUTRITION_DB.keys(): | |
| if base_food in description: | |
| found_foods[base_food] = { | |
| "confianca": "Alta", | |
| "mencoes": description.count(base_food), | |
| "variacao": base_food | |
| } | |
| # Segunda verificação: sinônimos e variações | |
| for base_food, aliases in FOOD_ALIASES.items(): | |
| if base_food not in found_foods: # Só verifica se ainda não encontrou | |
| for alias in aliases: | |
| if alias in description: | |
| found_foods[base_food] = { | |
| "confianca": "Média", | |
| "mencoes": description.count(alias), | |
| "variacao": alias | |
| } | |
| # Terceira verificação: análise de contexto | |
| context_clues = { | |
| "prato": 0.1, | |
| "refeição": 0.1, | |
| "porção": 0.1, | |
| "servido": 0.1, | |
| "preparado": 0.1 | |
| } | |
| for food in found_foods: | |
| confidence_boost = 0 | |
| for clue, value in context_clues.items(): | |
| if clue in description: | |
| confidence_boost += value | |
| if confidence_boost > 0: | |
| found_foods[food]["confianca"] = "Alta" if confidence_boost > 0.2 else found_foods[food]["confianca"] | |
| # Quarta verificação: validação de preparação | |
| cooking_methods = ["cozido", "assado", "grelhado", "frito", "cru"] | |
| for food in found_foods: | |
| for method in cooking_methods: | |
| if method in description and food in FOOD_ALIASES: | |
| found_foods[food]["preparo"] = method | |
| return found_foods | |
| def analyze_foods(description): | |
| """Analisa a descrição e retorna informações nutricionais""" | |
| try: | |
| # Identificação detalhada dos alimentos | |
| identified_foods = identify_foods(description) | |
| if not identified_foods: | |
| return "Nenhum alimento conhecido identificado com confiança.", None, None | |
| # Calcula nutrientes | |
| total_nutrients = { | |
| "calorias": 0, | |
| "proteinas": 0, | |
| "carboidratos": 0, | |
| "gorduras": 0 | |
| } | |
| # Lista detalhada de alimentos identificados | |
| foods_detail = [] | |
| for food, info in identified_foods.items(): | |
| foods_detail.append(f"• {food.capitalize()}") | |
| foods_detail.append(f" - Confiança: {info['confianca']}") | |
| foods_detail.append(f" - Menções: {info['mencoes']}") | |
| foods_detail.append(f" - Variação encontrada: {info['variacao']}") | |
| if 'preparo' in info: | |
| foods_detail.append(f" - Método de preparo: {info['preparo']}") | |
| # Soma nutrientes | |
| 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: | |
| {chr(10).join(foods_detail)} | |
| ### 📊 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 preto, um pedaço de frango grelhado servido com salada de alface e tomate. O prato parece uma refeição completa preparada recentemente." | |
| # 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 (resto do código permanece o mesmo) | |
| with gr.Blocks(theme=gr.themes.Soft()) as iface: | |
| # ... (resto do código da interface permanece igual) | |
| if __name__ == "__main__": | |
| print(f"Usando dispositivo: {'CUDA' if torch.cuda.is_available() else 'CPU'}") | |
| iface.launch(share=False) |