Update app.py

app.py

@@ -1,25 +1,11 @@
 import gradio as gr
 import torch
-from transformers import AutoModelForCausalLM, AutoTokenizer, AutoProcessor
+from transformers import AutoModelForCausalLM, AutoTokenizer
 import pandas as pd
 import numpy as np
 from PIL import Image
-
-def load_model():
-    """Inicializa o modelo DeepSeek Multimodal"""
-    device = "cuda" if torch.cuda.is_available() else "cpu"
-    model_name = "deepseek-ai/deepseek-vl-7b-base"
-    
-    processor = AutoProcessor.from_pretrained(model_name)
-    model = AutoModelForCausalLM.from_pretrained(
-        model_name,
-        torch_dtype=torch.float16 if device == "cuda" else torch.float32,
-        device_map="auto",
-        trust_remote_code=True
-    )
-    tokenizer = AutoTokenizer.from_pretrained(model_name)
-    
-    return model, processor, tokenizer, device
+from huggingface_hub import hf_hub_download
+import os
 
 # Base de dados nutricional
 NUTRITION_DB = {
@@ -34,43 +20,6 @@ NUTRITION_DB = {
     "ovo": {"calorias": 155, "proteinas": 13, "carboidratos": 1.1, "gorduras": 11},
 }
 
-def process_image(image, progress=gr.Progress()):
-    """Processa a imagem usando DeepSeek Multimodal"""
-    try:
-        progress(0.3, desc="Inicializando modelo...")
-        model, processor, tokenizer, device = load_model()
-        
-        progress(0.5, desc="Processando imagem...")
-        # Prepara a imagem
-        if isinstance(image, np.ndarray):
-            image = Image.fromarray(image)
-        
-        # Prompt específico para identificação de alimentos
-        prompt = "Analise esta imagem e liste todos os alimentos visíveis. Para cada alimento, informe o tipo e estado (ex: cozido, cru, grelhado)."
-        
-        # Processa a imagem
-        inputs = processor(images=image, text=prompt, return_tensors="pt").to(device)
-        
-        progress(0.7, desc="Gerando descrição...")
-        # Gera a descrição
-        with torch.no_grad():
-            outputs = model.generate(
-                **inputs,
-                max_new_tokens=150,
-                do_sample=True,
-                temperature=0.7,
-                top_p=0.9,
-            )
-        
-        # 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:
@@ -139,8 +88,8 @@ def analyze_foods(description):
 def analyze_image(image):
     """Função principal que coordena o processo de análise"""
     try:
-        # Processa a imagem
-        description = process_image(image)
+        # 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)
@@ -153,7 +102,7 @@ def analyze_image(image):
 # Interface Gradio
 with gr.Blocks(theme=gr.themes.Soft()) as iface:
     gr.Markdown("""
-    # 🍽️ Análise Nutricional com DeepSeek
+    # 🍽️ Análise Nutricional com IA
     Faça upload de uma foto do seu prato para análise nutricional detalhada.
     """)
     
@@ -206,4 +155,4 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
 
 if __name__ == "__main__":
     print(f"Usando dispositivo: {'CUDA' if torch.cuda.is_available() else 'CPU'}")
-    iface.launch()
+    iface.launch(share=False)