import gradio as gr
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
import requests
import time

# Carregando o modelo BLIP para geração de legendas
processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model_blip = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

# Função para chamar a API do Deepseek (ou substituto como Qwen)
def call_deepseek(prompt):
    # Substitua esta URL pela API oficial do Deepseek ou use um modelo alternativo
    api_url = "https://api.deepseek.com/v1/completions"  # Exemplo fictício
    headers = {
        "Authorization": "Bearer YOUR_DEEPSEEK_API_KEY",  # Substitua pelo seu token
        "Content-Type": "application/json",
    }
    data = {
        "prompt": prompt,
        "max_tokens": 150,
        "temperature": 0.7,
        "stop": ["\n"]
    }
    response = requests.post(api_url, headers=headers, json=data)
    if response.status_code == 200:
        return response.json()["choices"][0]["text"].strip()
    else:
        return f"Erro ao chamar Deepseek: {response.status_code}"

# Função para gerar legenda da imagem usando BLIP
def generate_caption(img, min_len, max_len):
    try:
        raw_image = Image.open(img).convert('RGB')
        inputs = processor(raw_image, return_tensors="pt")
        out = model_blip.generate(**inputs, min_length=min_len, max_length=max_len)
        caption = processor.decode(out[0], skip_special_tokens=True)
        return caption
    except Exception as e:
        return f"Erro ao gerar legenda: {str(e)}"

# Função principal que combina tudo
def greet(img, min_len, max_len):
    start = time.time()
    
    # Passo 1: Gerar legenda para a imagem usando BLIP
    food_description = generate_caption(img, min_len, max_len)
    if "Erro" in food_description:
        return food_description  # Retorna mensagem de erro se houver falha no BLIP
    
    # Passo 2: Gerar informações nutricionais com base na legenda usando Deepseek
    deepseek_prompt = (
        f"Descreva as informações nutricionais e as calorias do seguinte alimento em português: {food_description}. "
        f"Inclua detalhes sobre proteínas, carboidratos, gorduras e valor calórico total."
    )
    nutritional_info = call_deepseek(deepseek_prompt)
    
    end = time.time()
    total_time = str(round(end - start, 2))
    
    # Marketing agressivo
    marketing_message = (
        "🎉 OFERTA EXCLUSIVA! 🎉\n\n"
        "Inscreva-se AGORA para receber dicas diárias de nutrição e descontos exclusivos em nossos produtos premium!\n\n"
        "Compartilhe este resultado com seus amigos e ganhe 10% de desconto em nossa loja online.\n\n"
        "-----------------------------\n\n"
    )
    
    result = (
        f"{marketing_message}"
        f"Descrição do Alimento: {food_description}\n\n"
        f"Informações Nutricionais:\n{nutritional_info}\n\n"
        f"Gerado em {total_time} segundos."
    )
    
    return result

# Interface Gradio
with gr.Blocks(theme=gr.themes.Base(primary_hue="red", secondary_hue="orange", neutral_hue="slate")) as demo:
    gr.Markdown(
        """
        # 🔥 NutriScan Pro 🔥
        ### Descubra os Segredos Nutricionais dos Seus Alimentos Instantaneamente!
        
        🌟 **OFERTA LIMITADA:** Inscreva-se agora e receba acesso exclusivo a dicas diárias de nutrição e descontos especiais em nossos produtos premium!

        📸 **Como Funciona:**
        1. Faça upload de uma imagem do seu alimento.
        2. Receba informações detalhadas sobre nutrientes e calorias.
        3. Compartilhe com amigos e ganhe descontos!

        ⚡ **Apenas 24 Horas de Oferta!** Não perca essa oportunidade única!
        """
    )
    
    with gr.Row():
        img_input = gr.Image(type='filepath', label='Upload da Imagem')
        with gr.Column():
            min_len = gr.Slider(label='Tamanho Mínimo da Legenda', minimum=1, maximum=1000, value=30)
            max_len = gr.Slider(label='Tamanho Máximo da Legenda', minimum=1, maximum=1000, value=100)
    
    output = gr.Textbox(label='Resultado')
    
    submit_button = gr.Button("🔍 Analisar Agora! 🔍", variant="primary")
    
    submit_button.click(greet, inputs=[img_input, min_len, max_len], outputs=output)

demo.launch()