Update app.py

app.py

@@ -1,15 +1,24 @@
 import gradio as gr
-from transformers import AutoProcessor, AutoModelForVision2Seq
-from PIL import Image
+from transformers import AutoProcessor, AutoModelForCausalLM
 import torch
-import json
+from PIL import Image
 import pandas as pd
+import json
 
-# Carregar o modelo e processador DeepSeek
-model = AutoModelForVision2Seq.from_pretrained("deepseek-ai/deepseek-vl-7b-base")
-processor = AutoProcessor.from_pretrained("deepseek-ai/deepseek-vl-7b-base")
+# Carregar o modelo e processador CogVLM (mais adequado para análise de imagens)
+model_name = "THUDM/cogvlm-chat-hf"
+model = AutoModelForCausalLM.from_pretrained(
+    model_name,
+    torch_dtype=torch.float16,
+    device_map="auto",
+    trust_remote_code=True
+)
+processor = AutoProcessor.from_pretrained(
+    model_name,
+    trust_remote_code=True
+)
 
-# Base de dados nutricional (exemplo simplificado)
+# Base de dados nutricional expandida
 NUTRITIONAL_DB = {
     "arroz": {
         "calorias": 130,
@@ -17,6 +26,9 @@ NUTRITIONAL_DB = {
         "carboidratos": 28,
         "gorduras": 0.3,
         "fibras": 0.4,
+        "vitamina_b1": 0.02,
+        "vitamina_b3": 0.4,
+        "ferro": 0.2,
     },
     "feijão": {
         "calorias": 77,
@@ -24,71 +36,188 @@ NUTRITIONAL_DB = {
         "carboidratos": 13.6,
         "gorduras": 0.5,
         "fibras": 5.4,
+        "ferro": 1.5,
+        "potássio": 255,
+        "magnésio": 42,
+    },
+    "frango grelhado": {
+        "calorias": 165,
+        "proteinas": 31,
+        "carboidratos": 0,
+        "gorduras": 3.6,
+        "vitamina_b6": 0.5,
+        "niacina": 13.7,
+        "fósforo": 200,
     },
-    # Adicione mais alimentos conforme necessário
+    "salada de alface": {
+        "calorias": 15,
+        "proteinas": 1.4,
+        "carboidratos": 2.9,
+        "gorduras": 0.2,
+        "fibras": 1.3,
+        "vitamina_a": 370,
+        "vitamina_k": 126,
+        "folato": 38,
+    }
 }
 
-def analyze_food(image):
+def generate_food_prompt(image):
     """
-    Analisa a imagem do alimento e retorna um relatório nutricional
+    Gera um prompt específico para análise de alimentos
     """
-    # Processar a imagem
-    inputs = processor(images=image, text="What foods are in this image? List them.", return_tensors="pt")
-    
-    # Gerar descrição
-    with torch.no_grad():
-        outputs = model.generate(**inputs, max_length=100)
-    foods = processor.decode(outputs[0], skip_special_tokens=True)
-    
-    # Processar lista de alimentos identificados
-    food_list = [food.strip().lower() for food in foods.split(',')]
-    
-    # Gerar relatório nutricional
-    total_nutrients = {
-        "calorias": 0,
-        "proteinas": 0,
-        "carboidratos": 0,
-        "gorduras": 0,
-        "fibras": 0,
-    }
-    
-    report = "🍽️ Relatório Nutricional\n\n"
-    report += "Alimentos identificados:\n"
-    
-    for food in food_list:
-        if food in NUTRITIONAL_DB:
-            report += f"- {food.capitalize()}\n"
-            for nutrient, value in NUTRITIONAL_DB[food].items():
-                total_nutrients[nutrient] += value
-    
-    report += "\n📊 Informação Nutricional Total:\n"
-    report += f"Calorias: {total_nutrients['calorias']:.1f} kcal\n"
-    report += f"Proteínas: {total_nutrients['proteinas']:.1f}g\n"
-    report += f"Carboidratos: {total_nutrients['carboidratos']:.1f}g\n"
-    report += f"Gorduras: {total_nutrients['gorduras']:.1f}g\n"
-    report += f"Fibras: {total_nutrients['fibras']:.1f}g\n"
+    return (
+        "Analise detalhadamente esta imagem e liste todos os alimentos visíveis. "
+        "Para cada alimento, forneça: \n"
+        "1. Nome do alimento\n"
+        "2. Quantidade aproximada em gramas ou porções\n"
+        "3. Estado (cru, cozido, grelhado, etc.)\n"
+        "Formate a resposta em uma lista clara."
+    )
+
+def process_model_response(response):
+    """
+    Processa a resposta do modelo para extrair informações estruturadas
+    """
+    foods = []
+    current_lines = response.split('\n')
     
-    report += "\n💡 Recomendações:\n"
-    # Adicionar recomendações básicas baseadas nos valores nutricionais
-    if total_nutrients['calorias'] > 800:
-        report += "- Esta refeição tem um alto valor calórico. Considere porções menores.\n"
-    if total_nutrients['proteinas'] < 15:
-        report += "- Considere adicionar mais fontes de proteína à refeição.\n"
-    if total_nutrients['fibras'] < 6:
-        report += "- Adicione mais vegetais para aumentar o teor de fibras.\n"
+    for line in current_lines:
+        line = line.lower().strip()
+        for food in NUTRITIONAL_DB.keys():
+            if food in line:
+                # Tenta extrair quantidade (assume padrão se não encontrar)
+                qty = 100  # quantidade padrão em gramas
+                if 'g' in line:
+                    try:
+                        qty = int(''.join(filter(str.isdigit, line.split('g')[0])))
+                    except:
+                        pass
+                foods.append((food, qty))
     
-    return report
+    return foods
+
+def analyze_food(image):
+    """
+    Analisa a imagem do alimento e retorna um relatório nutricional detalhado
+    """
+    try:
+        # Preparar a imagem e gerar o prompt
+        prompt = generate_food_prompt(image)
+        inputs = processor(images=image, text=prompt, return_tensors="pt").to(model.device)
+        
+        # Gerar análise
+        with torch.no_grad():
+            outputs = model.generate(
+                **inputs,
+                max_new_tokens=500,
+                do_sample=True,
+                temperature=0.7,
+                top_p=0.9,
+            )
+        
+        response = processor.decode(outputs[0], skip_special_tokens=True)
+        foods = process_model_response(response)
+        
+        # Gerar relatório nutricional
+        report = "🍽️ RELATÓRIO NUTRICIONAL DETALHADO\n\n"
+        report += "📝 Alimentos Identificados:\n"
+        
+        total_nutrients = {
+            "calorias": 0,
+            "proteinas": 0,
+            "carboidratos": 0,
+            "gorduras": 0,
+            "fibras": 0,
+        }
+        
+        vitamins_minerals = {}
+        
+        for food, quantity in foods:
+            multiplier = quantity / 100  # Ajusta para a quantidade real
+            report += f"\n• {food.capitalize()} ({quantity}g)\n"
+            
+            if food in NUTRITIONAL_DB:
+                for nutrient, value in NUTRITIONAL_DB[food].items():
+                    adjusted_value = value * multiplier
+                    
+                    # Adiciona aos totais principais
+                    if nutrient in total_nutrients:
+                        total_nutrients[nutrient] += adjusted_value
+                    # Coleta vitaminas e minerais
+                    elif nutrient not in ['calorias', 'proteinas', 'carboidratos', 'gorduras', 'fibras']:
+                        if nutrient not in vitamins_minerals:
+                            vitamins_minerals[nutrient] = 0
+                        vitamins_minerals[nutrient] += adjusted_value
+        
+        # Adiciona seção de macronutrientes
+        report += "\n📊 MACRONUTRIENTES:\n"
+        report += f"• Calorias: {total_nutrients['calorias']:.1f} kcal\n"
+        report += f"• Proteínas: {total_nutrients['proteinas']:.1f}g\n"
+        report += f"• Carboidratos: {total_nutrients['carboidratos']:.1f}g\n"
+        report += f"• Gorduras: {total_nutrients['gorduras']:.1f}g\n"
+        report += f"• Fibras: {total_nutrients['fibras']:.1f}g\n"
+        
+        # Adiciona seção de micronutrientes
+        if vitamins_minerals:
+            report += "\n🧬 VITAMINAS E MINERAIS:\n"
+            for nutrient, value in vitamins_minerals.items():
+                report += f"• {nutrient.replace('_', ' ').capitalize()}: {value:.1f}mg\n"
+        
+        # Adiciona recomendações personalizadas
+        report += "\n💡 RECOMENDAÇÕES:\n"
+        
+        # Análise de macronutrientes
+        if total_nutrients['calorias'] > 800:
+            report += "• Alto valor calórico - considere reduzir as porções\n"
+        if total_nutrients['proteinas'] < 15:
+            report += "• Baixo teor de proteínas - considere adicionar fontes proteicas\n"
+        if total_nutrients['fibras'] < 6:
+            report += "• Baixo teor de fibras - adicione mais vegetais e grãos integrais\n"
+        
+        # Análise de proporções
+        protein_cal = (total_nutrients['proteinas'] * 4)
+        carb_cal = (total_nutrients['carboidratos'] * 4)
+        fat_cal = (total_nutrients['gorduras'] * 9)
+        total_cal = protein_cal + carb_cal + fat_cal
+        
+        if total_cal > 0:
+            protein_pct = (protein_cal / total_cal) * 100
+            carb_pct = (carb_cal / total_cal) * 100
+            fat_pct = (fat_cal / total_cal) * 100
+            
+            report += f"\n📈 DISTRIBUIÇÃO CALÓRICA:\n"
+            report += f"• Proteínas: {protein_pct:.1f}%\n"
+            report += f"• Carboidratos: {carb_pct:.1f}%\n"
+            report += f"• Gorduras: {fat_pct:.1f}%\n"
+            
+            if protein_pct < 10:
+                report += "\n⚠️ Proporção de proteínas abaixo do recomendado\n"
+            if fat_pct > 35:
+                report += "⚠️ Proporção de gorduras acima do recomendado\n"
+        
+        return report
+        
+    except Exception as e:
+        return f"Erro na análise: {str(e)}\nPor favor, tente novamente com outra imagem."
 
 # Interface Gradio
 iface = gr.Interface(
     fn=analyze_food,
-    inputs=gr.Image(type="pil"),
-    outputs=gr.Textbox(label="Relatório Nutricional", lines=10),
-    title="Análise Nutricional de Alimentos",
-    description="Faça upload de uma foto do seu prato para receber uma análise nutricional detalhada.",
-    examples=[["example_food1.jpg"], ["example_food2.jpg"]],
+    inputs=gr.Image(type="pil", label="Upload da Imagem do Prato"),
+    outputs=gr.Textbox(label="Relatório Nutricional", lines=20),
+    title="🍽️ Análise Nutricional com IA",
+    description="""
+    Faça upload de uma foto do seu prato para receber uma análise nutricional detalhada.
+    O sistema identificará os alimentos e fornecerá informações nutricionais completas.
+    """,
+    
     theme=gr.themes.Soft()
 )
 
 if __name__ == "__main__":
+    # Configuração para usar GPU se disponível
+    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    print(f"Using device: {device}")
+    
+    # Iniciar a interface
     iface.launch(share=True)