Update app.py

app.py

@@ -1,120 +1,72 @@
 import gradio as gr
 import torch
+from transformers import AutoModel, AutoProcessor
 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"]
-}
+# Carrega o modelo
+model = AutoModel.from_pretrained("openbmb/MiniCPM-o-2_6", trust_remote_code=True)
+processor = AutoProcessor.from_pretrained("openbmb/MiniCPM-o-2_6", trust_remote_code=True)
 
+# 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},
+    "batata frita": {"calorias": 312, "proteinas": 3.4, "carboidratos": 41, "gorduras": 15},
+    "salada": {"calorias": 15, "proteinas": 1.4, "carboidratos": 2.9, "gorduras": 0.2}
 }
 
-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
+def process_image(image, progress=gr.Progress()):
+    """Processa a imagem usando o modelo MiniCPM"""
+    try:
+        progress(0.3, desc="Processando imagem...")
+        
+        # Prepara a imagem
+        if isinstance(image, str):
+            image = Image.open(image)
+        
+        # Processa a imagem com o modelo
+        inputs = processor(images=image, text="What foods are in this image?", return_tensors="pt")
+        
+        progress(0.6, desc="Analisando conteúdo...")
+        # Gera a descrição
+        outputs = model.generate(**inputs, max_length=100)
+        description = processor.decode(outputs[0], skip_special_tokens=True)
+        
+        progress(1.0, desc="Concluído!")
+        return description
+        
+    except Exception as e:
+        raise gr.Error(f"Erro no processamento: {str(e)}")
+
+def analyze_nutrition(foods_list):
+    """Analisa nutrientes dos alimentos identificados"""
+    total_nutrients = {
+        "calorias": 0,
+        "proteinas": 0,
+        "carboidratos": 0,
+        "gorduras": 0
     }
     
-    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"]
+    found_foods = []
     
-    # 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:
-                found_foods[food]["preparo"] = method
+    for food in NUTRITION_DB.keys():
+        if food.lower() in foods_list.lower():
+            found_foods.append(food)
+            for nutrient, value in NUTRITION_DB[food].items():
+                total_nutrients[nutrient] += value
     
-    return found_foods
+    return total_nutrients, found_foods
 
-def analyze_foods(description):
-    """Analisa a descrição e retorna informações nutricionais"""
+def analyze_image(image):
+    """Função principal de análise"""
     try:
-        # Identificação detalhada dos alimentos
-        identified_foods = identify_foods(description)
-        
-        if not identified_foods:
-            return "Nenhum alimento conhecido identificado com confiança.", None, None
+        # Processa a imagem
+        description = process_image(image)
         
-        # 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']}")
-            foods_detail.append("")  # Linha em branco para separar
-            
-            # Soma nutrientes
-            for nutrient, value in NUTRITION_DB[food].items():
-                total_nutrients[nutrient] += value
+        # Analisa nutrientes
+        total_nutrients, found_foods = analyze_nutrition(description)
         
         # Prepara dados para visualização
         table_data = [
@@ -134,91 +86,59 @@ def analyze_foods(description):
             ]
         })
         
-        analysis = f"""### 🍽️ Descrição do Modelo:
+        # Monta o relatório
+        analysis = f"""### 🔍 Análise da Imagem:
 {description}
 
-### 🔍 Alimentos Identificados:
-{chr(10).join(foods_detail)}
+### 🍽️ Alimentos Identificados:
+{', '.join(found_foods)}
 
-### 📊 Análise Nutricional:
-• Calorias Totais: {total_nutrients['calorias']:.1f} kcal
+### 📊 Informação Nutricional:
+• Calorias: {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"}
+### 💡 Recomendações:
+{"⚠️ Alto teor calórico" if total_nutrients['calorias'] > 800 else "✅ Calorias adequadas"}
+{"⚠️ Considere reduzir carboidratos" if total_nutrients['carboidratos'] > 60 else "✅ Carboidratos adequados"}
+{"⚠️ Alto teor de gorduras" if total_nutrients['gorduras'] > 20 else "✅ Gorduras adequadas"}
 """
         
         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
 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.
-    """)
+    gr.Markdown("# 🍽️ Análise Nutricional com IA")
     
     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
-                """)
+            analyze_btn = gr.Button("📊 Analisar", variant="primary")
         
-        # 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
+                    label="Informação Nutricional"
                 )
                 
-                # Gráfico
                 output_plot = gr.BarPlot(
                     x="Nutriente",
                     y="Quantidade",
                     title="Macronutrientes (g)",
-                    height=300,
-                    tooltip=["Nutriente", "Quantidade"]
+                    height=300
                 )
     
-    # Eventos
     analyze_btn.click(
         fn=analyze_image,
         inputs=[image_input],