Update app.py

app.py

@@ -1,10 +1,5 @@
 import gradio as gr
-from transformers import (
-    ViTImageProcessor, 
-    ViTForImageClassification,
-    AutoImageProcessor, 
-    Swin2ForImageClassification
-)
+from transformers import ViTImageProcessor, ViTForImageClassification
 from PIL import Image
 import torch
 import warnings
@@ -12,16 +7,12 @@ warnings.filterwarnings("ignore")
 
 class IridologyAnalyzer:
     def __init__(self):
-        # Inicializar modelos
-        print("Carregando modelos...")
+        # Inicializar modelo
+        print("Carregando modelo...")
         
         # 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")
+        self.processor = ViTImageProcessor.from_pretrained("google/vit-base-patch16-224")
+        self.model = ViTForImageClassification.from_pretrained("google/vit-base-patch16-224")
         
         # Características de iridologia para análise
         self.iris_features = [
@@ -39,39 +30,22 @@ class IridologyAnalyzer:
             "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
+        print("Modelo carregado com sucesso!")
 
-    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)
+    def analyze_image_feature(self, image, feature):
+        """Analisa uma característica específica da íris."""
+        inputs = self.processor(images=image, return_tensors="pt")
+        outputs = self.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"
+        # Interpretação baseada na confiança do modelo
+        if confidence > 0.8:
+            return "Alta presença/intensidade"
+        elif confidence > 0.5:
+            return "Presença/intensidade moderada"
         else:
-            return "Baixa presença"
+            return "Baixa presença/intensidade"
 
     def comprehensive_analysis(self, image):
         """Realiza uma análise completa da íris."""
@@ -79,7 +53,7 @@ class IridologyAnalyzer:
         
         for feature in self.iris_features:
             try:
-                analysis = self.analyze_feature(image, feature)
+                analysis = self.analyze_image_feature(image, feature)
                 results.append({
                     "feature": feature,
                     "analysis": analysis
@@ -121,7 +95,7 @@ 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 modelos de IA para identificar padrões relevantes para iridologia.
+        Este sistema analisa imagens de íris usando IA para identificar padrões relevantes para iridologia.
         Faça o upload de uma imagem clara do olho para análise.
         
         Recomendações para melhores resultados:
@@ -138,4 +112,4 @@ def create_gradio_interface():
 
 if __name__ == "__main__":
     iface = create_gradio_interface()
-    iface.launch() 
+    iface.launch()