app.py

import gradio as gr
import numpy as np
from tensorflow.keras.models import load_model
from huggingface_hub import hf_hub_download
import pickle
from PIL import Image
import zipfile
import os

# Pega o token do Hugging Face da variável de ambiente
hf_token = os.getenv("HUGGINGFACE_HUB_TOKEN")

# Repositório no Hugging Face
repo_id = "davebraga/wrdbTI6"

# Baixar o modelo compactado com autenticação
model_zip_path = hf_hub_download(repo_id, "saved_model.zip", token=hf_token)

# Diretório onde o modelo será extraído
extract_dir = "saved_model"

# Descompactar o modelo se ainda não existir
if not os.path.exists(extract_dir):
    with zipfile.ZipFile(model_zip_path, 'r') as zip_ref:
        zip_ref.extractall(extract_dir)

# Baixar os encoders com autenticação
category_encoder_path = hf_hub_download(repo_id, "category_encoder.pkl", token=hf_token)
color_encoder_path = hf_hub_download(repo_id, "color_encoder.pkl", token=hf_token)

# Carregar modelo e encoders
model = load_model(extract_dir)

with open(category_encoder_path, "rb") as f:
    category_encoder = pickle.load(f)
with open(color_encoder_path, "rb") as f:
    color_encoder = pickle.load(f)

# Função de previsão
def predict(image: Image.Image):
    image = image.resize((160, 160))
    image_array = np.array(image) / 255.0
    image_array = np.expand_dims(image_array, axis=0)

    category_pred, color_pred = model.predict(image_array)
    category = category_encoder.inverse_transform([np.argmax(category_pred)])[0]
    color = color_encoder.inverse_transform([np.argmax(color_pred)])[0]

    return f"Categoria: {category}", f"Cor: {color}"

# Interface Gradio
iface = gr.Interface(
    fn=predict,
    inputs=gr.Image(type="pil"),
    outputs=["text", "text"],
    title="Classificador de Categoria e Cor",
    description="Faça upload de uma imagem de uma peça de roupa para prever a categoria e a cor."
)

iface.launch()