Update app.py

app.py

@@ -1,125 +1,171 @@
 import gradio as gr
-from transformers import AutoTokenizer, AutoModelForCausalLM, pipeline
+from transformers import pipeline
+import cv2
+import numpy as np
 import torch
-import warnings
-warnings.filterwarnings('ignore')
+from PIL import Image
+import easyocr
+import librosa
+import soundfile as sf
+from googletrans import Translator
+import spacy
 
-# Configurações
-DEVICE = "cuda" if torch.cuda.is_available() else "cpu"
-MAX_LENGTH = 2048
+# 1. Reconhecimento de Texto em Imagens (OCR)
+def ocr_text(image):
+    reader = easyocr.Reader(['pt', 'en'])
+    result = reader.readtext(image)
+    return " ".join([text[1] for text in result])
 
-# Usar modelo público e leve
-model_name = "microsoft/DialoGPT-small"
-tokenizer = AutoTokenizer.from_pretrained(model_name)
-model = AutoModelForCausalLM.from_pretrained(model_name)
+# 2. Detector de Objetos
+def detect_objects(image):
+    detector = pipeline('object-detection', model='facebook/detr-resnet-50')
+    results = detector(image)
+    annotated_image = Image.fromarray(np.array(image))
+    for result in results:
+        box = result['box']
+        label = f"{result['label']}: {result['score']:.2f}"
+        cv2.rectangle(
+            np.array(annotated_image),
+            (int(box['xmin']), int(box['ymin'])),
+            (int(box['xmax']), int(box['ymax'])),
+            (255, 0, 0),
+            2
+        )
+    return annotated_image
 
-# Tópicos polêmicos com versículos
-CONTROVERSIAL_TOPICS = {
-    "Sexualidade e Identidade": {
-        "description": "Perspectivas bíblicas sobre sexualidade, identidade e relacionamentos",
-        "verses": [
-            "Gênesis 1:27 - Criou Deus o homem à sua imagem...",
-            "1 Coríntios 6:9-11 - Não sabeis que os injustos...",
-            "Gálatas 3:28 - Não há judeu nem grego..."
-        ]
-    },
-    "Aborto e Vida": {
-        "description": "Visão bíblica sobre a santidade da vida",
-        "verses": [
-            "Salmos 139:13-16 - Tu formaste o meu interior...",
-            "Jeremias 1:5 - Antes que te formasses...",
-            "Êxodo 20:13 - Não matarás"
-        ]
-    }
-}
+# 3. Análise de Sentimentos
+def analyze_sentiment(text):
+    classifier = pipeline("sentiment-analysis", model="neuralmind/bert-base-portuguese-cased")
+    result = classifier(text)
+    return f"Sentimento: {result[0]['label']}, Confiança: {result[0]['score']:.2f}"
 
-def process_topic(topic, history):
-    """Função específica para processar tópicos selecionados via botão"""
-    info = CONTROVERSIAL_TOPICS[topic]
-    response = f"""
-    📚 Tema: {topic}
+# 4. Reconhecimento de Fala
+def speech_to_text(audio):
+    asr = pipeline("automatic-speech-recognition", model="facebook/wav2vec2-base-960h")
+    return asr(audio)["text"]
+
+# 5. Resumo de Texto
+def summarize_text(text):
+    summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
+    summary = summarizer(text, max_length=130, min_length=30)
+    return summary[0]['summary_text']
+
+# 6. Geração de Legendas para Imagens
+def generate_caption(image):
+    captioner = pipeline("image-to-text", model="nlpconnect/vit-gpt2-image-captioning")
+    caption = captioner(image)[0]['generated_text']
+    return caption
+
+# 7. Tradução de Texto
+def translate_text(text, target_lang):
+    translator = Translator()
+    translation = translator.translate(text, dest=target_lang)
+    return translation.text
+
+# 8. Extração de Entidades Nomeadas (NER)
+def extract_entities(text):
+    nlp = spacy.load("pt_core_news_sm")
+    doc = nlp(text)
+    entities = [(ent.text, ent.label_) for ent in doc.ents]
+    return str(entities)
+
+# 9. Classificação de Imagens
+def classify_image(image):
+    classifier = pipeline("image-classification", model="google/vit-base-patch16-224")
+    results = classifier(image)
+    return f"{results[0]['label']}: {results[0]['score']:.2f}"
+
+# 10. Resposta a Perguntas
+def answer_question(context, question):
+    qa_pipeline = pipeline("question-answering", model="pierreguillou/bert-base-cased-squad-v1.1-portuguese")
+    result = qa_pipeline(question=question, context=context)
+    return result['answer']
+
+# Interface Gradio
+with gr.Blocks(title="Hub de Serviços IA Open Source") as demo:
+    gr.Markdown("# 🤖 Hub de Serviços de IA Open Source")
     
-    📖 Descrição:
-    {info['description']}
+    # 1. OCR
+    with gr.Tab("OCR"):
+        with gr.Row():
+            ocr_input = gr.Image(type="numpy", label="Imagem com Texto")
+            ocr_output = gr.Textbox(label="Texto Extraído")
+        ocr_button = gr.Button("Extrair Texto")
+        ocr_button.click(ocr_text, inputs=ocr_input, outputs=ocr_output)
     
-    ✝️ Versículos Relevantes:
-    """
-    for verse in info['verses']:
-        response += f"• {verse}\n"
+    # 2. Detecção de Objetos
+    with gr.Tab("Detector de Objetos"):
+        with gr.Row():
+            obj_input = gr.Image(type="numpy", label="Imagem")
+            obj_output = gr.Image(label="Objetos Detectados")
+        obj_button = gr.Button("Detectar Objetos")
+        obj_button.click(detect_objects, inputs=obj_input, outputs=obj_output)
     
-    response += "\nEstes versículos nos mostram diferentes aspectos deste tema. É importante estudá-los em seu contexto completo para uma melhor compreensão."
+    # 3. Análise de Sentimentos
+    with gr.Tab("Análise de Sentimentos"):
+        with gr.Row():
+            sent_input = gr.Textbox(label="Texto para Análise")
+            sent_output = gr.Textbox(label="Sentimento")
+        sent_button = gr.Button("Analisar Sentimento")
+        sent_button.click(analyze_sentiment, inputs=sent_input, outputs=sent_output)
     
-    history.append((None, response))
-    return history
-
-def process_message(message, history):
-    """Função para processar mensagens digitadas pelo usuário"""
-    try:
-        response = f"Sua pergunta: {message}\n\n"
-        response += "Pesquisando nas escrituras...\n"
-        
-        for topic, info in CONTROVERSIAL_TOPICS.items():
-            if any(word.lower() in message.lower() for word in topic.split()):
-                response += f"\nVersículos relacionados a {topic}:\n"
-                for verse in info['verses'][:2]:
-                    response += f"• {verse}\n"
-        
-        history.append((message, response))
-        return history
-            
-    except Exception as e:
-        history.append((message, f"Ocorreu um erro: {str(e)}"))
-        return history
-
-# Interface Gradio
-with gr.Blocks(theme=gr.themes.Soft()) as demo:
-    gr.HTML("""
-        <div style="text-align: center; padding: 20px;">
-            <h1>📖 Análise Bíblica de Temas Contemporâneos</h1>
-            <p>Explore diferentes perspectivas bíblicas sobre questões atuais</p>
-        </div>
-    """)
+    # 4. Reconhecimento de Fala
+    with gr.Tab("Reconhecimento de Fala"):
+        with gr.Row():
+            speech_input = gr.Audio(type="numpy", label="Áudio")
+            speech_output = gr.Textbox(label="Texto Transcrito")
+        speech_button = gr.Button("Transcrever Áudio")
+        speech_button.click(speech_to_text, inputs=speech_input, outputs=speech_output)
     
-    with gr.Row():
-        # Coluna principal do chat
-        with gr.Column(scale=2):
-            chatbot = gr.Chatbot(
-                height=600,
-                bubble_full_width=False,
-                show_label=False
-            )
-            with gr.Row():
-                msg = gr.Textbox(
-                    show_label=False,
-                    placeholder="Digite sua pergunta ou clique em um dos temas...",
-                    scale=4
-                )
-                clear = gr.Button("🗑️ Limpar", scale=1)
-        
-        # Coluna de tópicos
-        with gr.Column(scale=1):
-            gr.Markdown("### 🔍 Temas para Explorar")
-            
-            # Criar botões para cada tema
-            for topic in CONTROVERSIAL_TOPICS.keys():
-                topic_btn = gr.Button(f"📚 {topic}")
-                # Criar uma closure para capturar o valor do tópico
-                topic_btn.click(
-                    fn=lambda t=topic, h=None: process_topic(t, h if h else []),
-                    inputs=[chatbot],
-                    outputs=[chatbot]
-                )
+    # 5. Resumo de Texto
+    with gr.Tab("Resumo de Texto"):
+        with gr.Row():
+            sum_input = gr.Textbox(label="Texto para Resumir")
+            sum_output = gr.Textbox(label="Resumo")
+        sum_button = gr.Button("Gerar Resumo")
+        sum_button.click(summarize_text, inputs=sum_input, outputs=sum_output)
     
-    # Eventos
-    msg.submit(process_message, [msg, chatbot], [chatbot])
-    clear.click(lambda: [], None, chatbot, queue=False)
-
-    gr.Markdown("""
-    ### ℹ️ Como usar:
-    1. Clique em um dos temas para ver versículos relacionados
-    2. Digite uma pergunta específica no campo de texto
-    3. Use o botão 'Limpar' para reiniciar a conversa
-    """)
+    # 6. Geração de Legendas
+    with gr.Tab("Legendas para Imagens"):
+        with gr.Row():
+            cap_input = gr.Image(type="numpy", label="Imagem")
+            cap_output = gr.Textbox(label="Legenda")
+        cap_button = gr.Button("Gerar Legenda")
+        cap_button.click(generate_caption, inputs=cap_input, outputs=cap_output)
+    
+    # 7. Tradução
+    with gr.Tab("Tradução"):
+        with gr.Row():
+            trans_input = gr.Textbox(label="Texto para Traduzir")
+            trans_lang = gr.Dropdown(choices=["en", "es", "fr", "de", "it"], label="Idioma Alvo")
+            trans_output = gr.Textbox(label="Tradução")
+        trans_button = gr.Button("Traduzir")
+        trans_button.click(translate_text, inputs=[trans_input, trans_lang], outputs=trans_output)
+    
+    # 8. NER
+    with gr.Tab("Extração de Entidades"):
+        with gr.Row():
+            ner_input = gr.Textbox(label="Texto para Análise")
+            ner_output = gr.Textbox(label="Entidades Encontradas")
+        ner_button = gr.Button("Extrair Entidades")
+        ner_button.click(extract_entities, inputs=ner_input, outputs=ner_output)
+    
+    # 9. Classificação de Imagens
+    with gr.Tab("Classificação de Imagens"):
+        with gr.Row():
+            class_input = gr.Image(type="numpy", label="Imagem")
+            class_output = gr.Textbox(label="Classificação")
+        class_button = gr.Button("Classificar Imagem")
+        class_button.click(classify_image, inputs=class_input, outputs=class_output)
+    
+    # 10. Resposta a Perguntas
+    with gr.Tab("Resposta a Perguntas"):
+        with gr.Row():
+            qa_context = gr.Textbox(label="Contexto")
+            qa_question = gr.Textbox(label="Pergunta")
+            qa_output = gr.Textbox(label="Resposta")
+        qa_button = gr.Button("Responder")
+        qa_button.click(answer_question, inputs=[qa_context, qa_question], outputs=qa_output)
 
-# Iniciar a interface
-demo.launch(share=False)
+if __name__ == "__main__":
+    demo.launch()