Update app.py

app.py

@@ -1,9 +1,9 @@
 import gradio as gr
 from transformers import (
-    AutoProcessor, 
-    AutoModelForVision2Seq, 
-    BlipProcessor, 
-    BlipForQuestionAnswering
+    ViTImageProcessor, 
+    ViTForImageClassification,
+    AutoImageProcessor, 
+    Swin2ForImageClassification
 )
 from PIL import Image
 import torch
@@ -15,72 +15,84 @@ class IridologyAnalyzer:
         # Inicializar modelos
         print("Carregando modelos...")
         
-        # GIT model
-        self.git_processor = AutoProcessor.from_pretrained("microsoft/git-base-vqa")
-        self.git_model = AutoModelForVision2Seq.from_pretrained("microsoft/git-base-vqa")
+        # 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")
         
-        # BLIP model
-        self.blip_processor = BlipProcessor.from_pretrained("Salesforce/blip-vqa-base")
-        self.blip_model = BlipForQuestionAnswering.from_pretrained("Salesforce/blip-vqa-base")
+        # 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")
         
-        # Perguntas predefinidas para análise de iridologia
-        self.iridology_questions = [
-            "What is the color pattern of the iris?",
-            "Are there any dark spots or marks in the iris?",
-            "What is the texture of the iris?",
-            "Are there any rings or circles in the iris?",
-            "What is the condition of the pupil?",
-            "Are there any lines radiating from the pupil?",
-            "Is there any discoloration in specific areas?",
-            "What is the overall clarity of the iris?",
-            "Describe any notable features in the iris tissue",
-            "Are there any white marks or spots?",
-            "Describe the structure of the iris fibers",
-            "What is the condition of the iris border?"
+        # 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_git(self, image, question):
-        inputs = self.git_processor(images=image, text=question, return_tensors="pt")
-        outputs = self.git_model.generate(
-            **inputs,
-            max_length=50,
-            num_beams=4,
-            early_stopping=True
-        )
-        return self.git_processor.batch_decode(outputs, skip_special_tokens=True)[0]
+    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_blip(self, image, question):
-        inputs = self.blip_processor(image, question, return_tensors="pt")
-        outputs = self.blip_model.generate(**inputs)
-        return self.blip_processor.decode(outputs[0], skip_special_tokens=True)
+    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 usando todos os modelos e questões predefinidas."""
+        """Realiza uma análise completa da íris."""
         results = []
         
-        for question in self.iridology_questions:
-            # Análise com cada modelo
+        for feature in self.iris_features:
             try:
-                git_result = self.analyze_with_git(image, question)
-                blip_result = self.analyze_with_blip(image, question)
-                
+                analysis = self.analyze_feature(image, feature)
                 results.append({
-                    "question": question,
-                    "git_analysis": git_result,
-                    "blip_analysis": blip_result
+                    "feature": feature,
+                    "analysis": analysis
                 })
             except Exception as e:
-                print(f"Erro ao processar questão '{question}': {str(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"Pergunta: {result['question']}\n"
-            formatted_results += f"Análise 1 (GIT): {result['git_analysis']}\n"
-            formatted_results += f"Análise 2 (BLIP): {result['blip_analysis']}\n"
+            formatted_results += f"Característica: {result['feature']}\n"
+            formatted_results += f"Análise: {result['analysis']}\n"
             formatted_results += "-" * 50 + "\n"
         
         return formatted_results
@@ -109,7 +121,7 @@ def create_gradio_interface():
         outputs=gr.Textbox(label="Resultados da Análise", lines=20),
         title="Analisador de Iridologia com IA",
         description="""
-        Este sistema analisa imagens de íris usando múltiplos modelos de IA para identificar padrões relevantes para iridologia.
+        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: