app.py

import gradio as gr
from huggingface_hub import InferenceClient
from PIL import Image
import io
import base64
from functools import lru_cache
import tempfile
import hashlib

# Variável global para armazenar o token da API (padrão vazio)
API_TOKEN = ""

# Função para atualizar o token da API
def update_api_token(new_token):
    global API_TOKEN
    API_TOKEN = new_token.strip()
    return f"✅ Token atualizado com sucesso: {API_TOKEN[:8]}... (ocultado)"

# Função para criar uma instância da API com o token atualizado usando InferenceClient
def get_inference_client(model):
    return InferenceClient(model=model, token=API_TOKEN)

# Função para interpretar a imagem com cache utilizando InferenceClient (captioning)
@lru_cache(maxsize=128)
def interpret_image_cached(image_hash):
    # Instanciar o client para o modelo de captioning
    client = get_inference_client("Salesforce/blip2-opt-2.7b")
    
    # Chamada da API usando método post para gerar a descrição da imagem
    response = client.post(data=image_hash, task="image-to-text")
    description = response.get("generated_text", "").strip().capitalize()
    if not description.endswith("."):
        description += "."
    return description

# Função para análise nutricional com cache utilizando InferenceClient e método post
@lru_cache(maxsize=128)
def nutritional_analysis_cached(description):
    client = get_inference_client("google/flan-t5-large")
    prompt = (
        f"Com base na descrição do prato de comida abaixo, forneça uma análise nutricional detalhada.\n\n"
        f"Descrição do prato: {description}\n\n"
        f"Siga este formato:\n"
        f"- Calorias totais estimadas: [valor]\n"
        f"- Macronutrientes (em gramas):\n"
        f"  - Carboidratos: [valor]\n"
        f"  - Proteínas: [valor]\n"
        f"  - Gorduras: [valor]\n"
        f"- Recomendações para melhorar o prato: [sugestões]\n\n"
        f"Análise nutricional:"
    )
    response = client.post(json={"inputs": prompt})
    analysis = response.get("generated_text", "").replace("Análise nutricional:", "").strip()
    return analysis

# Função para gerar dicas de saúde com cache utilizando InferenceClient e método post
@lru_cache(maxsize=128)
def health_tips_cached(description):
    client = get_inference_client("google/flan-t5-large")
    prompt = (
        f"Com base na descrição do prato de comida abaixo, forneça dicas de saúde e sugestões "
        f"para melhorar o prato, tornando-o mais equilibrado e nutritivo. Liste as dicas em tópicos.\n\n"
        f"Descrição do prato: {description}\n\n"
        f"Dicas de saúde:"
    )
    response = client.post(json={"inputs": prompt})
    tips = response.get("generated_text", "").replace("Dicas de saúde:", "").strip()
    return tips

# Função principal para processar a imagem e gerar resultados
def process_image(image):
    try:
        # Converter imagem para bytes e gerar um hash
        buffered = io.BytesIO()
        image.save(buffered, format="JPEG")
        image_bytes = buffered.getvalue()
        image_hash = hashlib.md5(image_bytes).hexdigest()
        
        description = interpret_image_cached(image_hash)
        analysis = nutritional_analysis_cached(description)
        tips = health_tips_cached(description)
        complete_result = (
            f"Descrição do Prato:\n{description}\n\n"
            f"Análise Nutricional:\n{analysis}\n\n"
            f"Dicas de Saúde:\n{tips}"
        )
        feedback_message = "✅ Análise concluída com sucesso!"
        return description, analysis, tips, complete_result, complete_result, feedback_message
    except Exception as e:
        feedback_message = f"❌ Erro ao processar a imagem: {str(e)}"
        return "", "", "", "", "", feedback_message

# Função para gerar um arquivo de download com o resultado completo
def generate_download(complete_result):
    try:
        with tempfile.NamedTemporaryFile(delete=False, suffix=".txt", mode="w", encoding="utf-8") as tmp:
            tmp.write(complete_result)
            tmp_path = tmp.name
        return tmp_path
    except Exception:
        return None

# Interface Gradio com aba Settings para configurar o token da API
with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) as demo:
    with gr.Row():
        gr.Markdown("""
        # �️ Agente Nutricionista Inteligente Avançado
        ### Revolucione a análise de suas refeições com IA de última geração!
        - **[Descrição automática](pplx://action/followup)** de pratos a partir de imagens.
        - **[Análise nutricional detalhada](pplx://action/followup)** com estimativas precisas de calorias e macronutrientes.
        - **[Dicas de saúde personalizadas](pplx://action/followup)** para aprimorar sua alimentação.
        - **[Resultado completo para download](pplx://action/followup)** em formato TXT.
        """)

    with gr.Row():
        with gr.Column(scale=1):
            gr.Markdown("### 📸 Carregue uma Imagem")
            image_input = gr.Image(type="pil", label="Upload de Imagem", height=300)
        with gr.Column(scale=2):
            gr.Markdown("### 🔍 Resultados")
            with gr.Tabs():
                with gr.TabItem("Descrição do Prato"):
                    description_output = gr.Textbox(label="Descrição Gerada", lines=3, interactive=False)
                with gr.TabItem("Análise Nutricional"):
                    analysis_output = gr.Textbox(label="Análise Nutricional", lines=8, interactive=False)
                with gr.TabItem("Dicas de Saúde"):
                    tips_output = gr.Textbox(label="Dicas de Saúde", lines=6, interactive=False)
                with gr.TabItem("Resultado Completo"):
                    complete_result_output = gr.Textbox(label="Resultado Completo", lines=15, interactive=False)
                with gr.TabItem("Settings"):
                    api_token_input = gr.Textbox(label="Token da API Hugging Face", placeholder="Insira seu token aqui...")
                    update_button = gr.Button("Atualizar Token")
                    update_feedback = gr.Markdown("")

    with gr.Row():
        submit_button = gr.Button("✨ Analisar Prato", variant="primary")
        download_button = gr.Button("💾 Baixar Resultado", variant="secondary")
    
    # Estado oculto para armazenar o resultado completo para o download
    result_state = gr.State("")
    feedback = gr.Markdown("")
    
    submit_button.click(
        process_image,
        inputs=image_input,
        outputs=[description_output, analysis_output, tips_output, complete_result_output, result_state, feedback]
    )
    
    download_button.click(
        generate_download,
        inputs=result_state,
        outputs=gr.File(label="Seu Resultado")
    )
    
    update_button.click(
        update_api_token,
        inputs=api_token_input,
        outputs=update_feedback
    )

demo.launch()