Update app.py

app.py

@@ -1,62 +1,61 @@
-# app.py
-import streamlit as st
+# import streamlit as st
+# from LogCustomizado import LogCustomizado as logc
+#
+# logc.gerar_log(mensagem_log="INICIANDO PROCESSO")
+#
+# st.set_page_config(page_title="CADIN - Cadastro Inteligente")
+#
+# st.title("CADIN - Cadastro Inteligente")
+#
+# arquivos_upload = st.file_uploader(
+#     label="Adicione todos os documentos que estão em formato de imagens.",
+#     type=["jpg", "jpeg", "png", "pdf"],
+#     accept_multiple_files=True,
+#     help="O arquitvo PDF precisa ser uma imagem"
+# )
+#
+# if arquivos_upload is not None:
+#     for item in arquivos_upload:
+#         st.write(item)
+
+from transformers import AutoProcessor, AutoModelForVision2Seq
 from PIL import Image
-from datetime import datetime
-import os
-
-def gerar_log(mensagem_log, status='INFO'):
-    data_hora = datetime.now().strftime('%d/%m/%Y %H:%M:%S')
-    mensagem_log_completa = f"[{data_hora}] - [{status}] - {mensagem_log}"
-    print(mensagem_log_completa)
-
-gerar_log("INICIANDO PROCESSO...")
-
-# Configurações comprovadamente funcionais
-MODEL_NAME = "Salesforce/blip-image-captioning-base"  # Modelo oficial testado
-TIMEOUT = 60  # Aumentado para carregamento inicial
-
-# Configurações iniciais
-st.set_page_config(page_title="Analisador de Imagens", layout="wide")
-
-def main():
-    st.title("Análise de Imagens com IA")
-    
-    try:
-        # 1. Carregar imagem local
-        with st.spinner("Carregando imagem..."):
-            image_path = "cnh-michele-digital.jpg"
-            if not os.path.exists(image_path):
-                raise FileNotFoundError(f"Arquivo {image_path} não encontrado")
-                
-            image = Image.open(image_path).convert("RGB")
-            gerar_log("Imagem carregada: OK")
-
-        # 2. Carregar modelo
-        with st.spinner("Carregando modelo de visão computacional..."):
-            from transformers import pipeline
-            analyzer = pipeline(
-                task="image-to-text",
-                model=MODEL_NAME,
-                device=-1,  # Forçar CPU
-                max_new_tokens=150
-            )
-            gerar_log("Modelo carregado: OK")
-
-        # 3. Gerar descrição
-        with st.spinner("Analisando conteúdo visual..."):
-            result = analyzer(image)
-            description = result[0]['generated_text']
-            gerar_log(f"Descrição gerada: {description[:50]}...")
-
-        # 4. Exibir resultados
-        st.subheader("Análise do Gráfico:")
-        st.write(description)
-        st.image(image, caption="Imagem analisada", width=400)
-
-    except Exception as e:
-        gerar_log(f"ERRO: {str(e)}", "ERROR")
-        st.error(f"Falha crítica: {str(e)}")
-
-if __name__ == "__main__":
-    main()
-    gerar_log("PROCESSO FINALIZADO.")
+import torch
+
+# Carregar imagem e definir prompt
+imagem = Image.open("cnh-michele-digital.jpg")
+prompt = "Extraia os seguintes dados do documento: [nome, cpf e data de nascimento]"
+
+# Carregar modelo e processador (forçando uso de CPU)
+device = torch.device("cpu")
+torch_dtype = torch.float32  # Usar precisão simples para economizar memória
+
+processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")
+model = AutoModelForVision2Seq.from_pretrained(
+    "Qwen/Qwen2.5-VL-7B-Instruct",
+    torch_dtype=torch_dtype
+).to(device)
+
+# Preparar inputs
+inputs = processor(
+    images=imagem,
+    text=prompt,
+    return_tensors="pt",
+    padding=True
+).to(device, dtype=torch_dtype)
+
+# Gerar resposta
+with torch.no_grad():
+    outputs = model.generate(
+        **inputs,
+        max_new_tokens=512,
+        do_sample=False,  # Para respostas determinísticas
+        use_cache=True   # Melhora performance em CPU
+    )
+
+# Decodificar resultado
+resultado = processor.decode(outputs[0], skip_special_tokens=True)
+
+print("Dados extraídos:")
+print("="*40)
+print(resultado)