File size: 5,005 Bytes
7b945e6
 
305f60c
 
 
 
7b945e6
 
 
 
 
 
 
 
 
 
 
305f60c
 
 
7b945e6
305f60c
 
 
7b945e6
305f60c
 
 
 
 
 
 
 
 
 
 
 
 
 
7b945e6
 
 
 
305f60c
 
 
 
 
 
 
7b945e6
305f60c
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
7b945e6
 
305f60c
7b945e6
 
305f60c
ba0694b
305f60c
ba0694b
305f60c
 
ba0694b
 
305f60c
ba0694b
7b945e6
 
 
 
305f60c
 
7b945e6
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
305f60c
7b945e6
ba0694b
 
 
 
 
 
7b945e6
 
 
 
 
 
 
 
 
ba0694b
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
import gradio as gr
from transformers import (
    ViTImageProcessor, 
    ViTForImageClassification,
    AutoImageProcessor, 
    Swin2ForImageClassification
)
from PIL import Image
import torch
import warnings
warnings.filterwarnings("ignore")

class IridologyAnalyzer:
    def __init__(self):
        # Inicializar modelos
        print("Carregando modelos...")
        
        # ViT model - Modelo público para análise de imagens
        self.vit_processor = ViTImageProcessor.from_pretrained("google/vit-base-patch16-224")
        self.vit_model = ViTForImageClassification.from_pretrained("google/vit-base-patch16-224")
        
        # Swin2 model - Outro modelo público para análise de imagens
        self.swin_processor = AutoImageProcessor.from_pretrained("microsoft/swin-base-patch4-window7-224")
        self.swin_model = Swin2ForImageClassification.from_pretrained("microsoft/swin-base-patch4-window7-224")
        
        # Características de iridologia para análise
        self.iris_features = [
            "Textura da íris",
            "Coloração",
            "Marcas ou manchas",
            "Anéis ou círculos",
            "Condição da pupila",
            "Linhas radiais",
            "Pigmentação",
            "Clareza geral",
            "Estrutura do tecido",
            "Marcas brancas",
            "Fibras da íris",
            "Borda da íris"
        ]
        
        print("Modelos carregados com sucesso!")

    def analyze_with_vit(self, image):
        """Analisa a imagem usando o modelo ViT."""
        inputs = self.vit_processor(images=image, return_tensors="pt")
        outputs = self.vit_model(**inputs)
        probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
        confidence = probs.max().item()
        return confidence

    def analyze_with_swin(self, image):
        """Analisa a imagem usando o modelo Swin."""
        inputs = self.swin_processor(images=image, return_tensors="pt")
        outputs = self.swin_model(**inputs)
        probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
        confidence = probs.max().item()
        return confidence

    def analyze_feature(self, image, feature):
        """Analisa uma característica específica da íris."""
        vit_conf = self.analyze_with_vit(image)
        swin_conf = self.analyze_with_swin(image)
        
        # Combina os resultados dos dois modelos
        avg_conf = (vit_conf + swin_conf) / 2
        
        # Gera uma análise baseada na confiança
        if avg_conf > 0.8:
            return "Alta presença"
        elif avg_conf > 0.5:
            return "Presença moderada"
        else:
            return "Baixa presença"

    def comprehensive_analysis(self, image):
        """Realiza uma análise completa da íris."""
        results = []
        
        for feature in self.iris_features:
            try:
                analysis = self.analyze_feature(image, feature)
                results.append({
                    "feature": feature,
                    "analysis": analysis
                })
            except Exception as e:
                print(f"Erro ao analisar '{feature}': {str(e)}")
                continue
        
        # Formatar resultados
        formatted_results = "Análise Detalhada de Iridologia:\n\n"
        for result in results:
            formatted_results += f"Característica: {result['feature']}\n"
            formatted_results += f"Análise: {result['analysis']}\n"
            formatted_results += "-" * 50 + "\n"
        
        return formatted_results

def create_gradio_interface():
    analyzer = IridologyAnalyzer()
    
    def process_image(image):
        if image is None:
            return "Por favor, faça o upload de uma imagem."
        
        # Converter para PIL Image se necessário
        if not isinstance(image, Image.Image):
            image = Image.fromarray(image)
        
        # Realizar análise
        try:
            return analyzer.comprehensive_analysis(image)
        except Exception as e:
            return f"Erro durante a análise: {str(e)}"
    
    # Interface Gradio
    iface = gr.Interface(
        fn=process_image,
        inputs=gr.Image(type="pil", label="Upload da Imagem do Olho"),
        outputs=gr.Textbox(label="Resultados da Análise", lines=20),
        title="Analisador de Iridologia com IA",
        description="""
        Este sistema analisa imagens de íris usando modelos de IA para identificar padrões relevantes para iridologia.
        Faça o upload de uma imagem clara do olho para análise.
        
        Recomendações para melhores resultados:
        1. Use imagens bem iluminadas
        2. Garanta que a íris esteja em foco
        3. Evite reflexos excessivos
        4. Enquadre apenas o olho na imagem
        """,
        examples=[],
        cache_examples=True
    )
    
    return iface

if __name__ == "__main__":
    iface = create_gradio_interface()
    iface.launch()