Update app.py

app.py

@@ -5,6 +5,7 @@ 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 = ""
@@ -21,27 +22,13 @@ def get_inference_client(model):
 
 # Função para interpretar a imagem com cache utilizando InferenceClient (captioning)
 @lru_cache(maxsize=128)
-def interpret_image_cached(image_bytes):
-    # Converter imagem para base64 e criar data URI
-    base64_image = base64.b64encode(image_bytes).decode("utf-8")
-    data_uri = f"data:image/jpeg;base64,{base64_image}"
-    
+def interpret_image_cached(image_hash):
     # Instanciar o client para o modelo de captioning
     client = get_inference_client("Salesforce/blip2-opt-2.7b")
     
-    # Construção da mensagem seguindo o exemplo da API de chat para visão
-    messages = [{
-        "role": "user",
-        "content": [
-            {"type": "image_url", "image_url": {"url": data_uri}},
-            {"type": "text", "text": "Descreva esta imagem em uma frase."}
-        ]
-    }]
-    
-    # Chamada da API usando método de chat (a estrutura de retorno segue o padrão da API)
-    output = client.chat.completions.create(messages=messages)
-    # Supondo que o resultado esteja em output["choices"][0]["message"]["content"]
-    description = output["choices"][0]["message"]["content"].strip().capitalize()
+    # 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
@@ -83,12 +70,13 @@ def health_tips_cached(description):
 # Função principal para processar a imagem e gerar resultados
 def process_image(image):
     try:
-        # Converter imagem para bytes
+        # 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_bytes)
+        description = interpret_image_cached(image_hash)
         analysis = nutritional_analysis_cached(description)
         tips = health_tips_cached(description)
         complete_result = (
@@ -107,7 +95,8 @@ def generate_download(complete_result):
     try:
         with tempfile.NamedTemporaryFile(delete=False, suffix=".txt", mode="w", encoding="utf-8") as tmp:
             tmp.write(complete_result)
-            return tmp.name
+            tmp_path = tmp.name
+        return tmp_path
     except Exception:
         return None
 
@@ -115,7 +104,7 @@ def generate_download(complete_result):
 with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) as demo:
     with gr.Row():
         gr.Markdown("""
-        # 🍽️ Agente Nutricionista Inteligente Avançado
+        # �️ 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.
@@ -169,4 +158,4 @@ with gr.Blocks(theme=gr.themes.Soft(primary_hue="blue", secondary_hue="cyan")) a
         outputs=update_feedback
     )
 
-demo.launch()
+demo.launch()