Update app.py

app.py

@@ -1,50 +1,66 @@
 import gradio as gr
 import torch
-from transformers import AutoProcessor, AutoModelForCausalLM
+from transformers import AutoModelForCausalLM, AutoTokenizer, AutoProcessor
 import pandas as pd
 import numpy as np
 from PIL import Image
 
-def get_model():
-    """Inicializa o modelo uma única vez"""
+def load_model():
+    """Inicializa o modelo DeepSeek Multimodal"""
     device = "cuda" if torch.cuda.is_available() else "cpu"
-    model_name = "microsoft/git-base-coco"
+    model_name = "deepseek-ai/deepseek-vl-7b-base"
     
     processor = AutoProcessor.from_pretrained(model_name)
-    model = AutoModelForCausalLM.from_pretrained(model_name)
-    model = model.to(device)
+    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 processor, model, device
+    return model, processor, tokenizer, device
 
-# Base de dados nutricional simplificada
+# 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 process_image(image, progress=gr.Progress()):
-    """Processa a imagem e retorna a descrição"""
+    """Processa a imagem usando DeepSeek Multimodal"""
     try:
-        progress(0.3, desc="Carregando modelo...")
-        processor, model, device = get_model()
+        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, return_tensors="pt").to(device)
+        inputs = processor(images=image, text=prompt, 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,
-        )
+        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)
@@ -97,17 +113,22 @@ def analyze_foods(description):
             ]
         })
         
-        analysis = f"""### Alimentos Identificados:
-• {', '.join(found_foods)}
-
-### Descrição do Modelo:
+        analysis = f"""### 🍽️ Descrição do Modelo:
 {description}
 
-### Análise Nutricional:
+### 🔍 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
@@ -132,8 +153,8 @@ def analyze_image(image):
 # 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.
+    # 🍽️ Análise Nutricional com DeepSeek
+    Faça upload de uma foto do seu prato para análise nutricional detalhada.
     """)
     
     with gr.Row():
@@ -144,26 +165,37 @@ with gr.Blocks(theme=gr.themes.Soft()) as iface:
                 label="Foto do Prato",
                 sources=["upload", "webcam"]
             )
-            analyze_btn = gr.Button("📊 Analisar", variant="primary")
+            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(label="Análise")
+            output_text = gr.Markdown()
             
-            # 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
-            )
+            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(
@@ -173,4 +205,5 @@ 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()