Update app.py

app.py

@@ -1,36 +1,32 @@
-import os
 import gradio as gr
 import torch
-from PIL import Image
 from transformers import AutoProcessor, AutoModelForVision2Seq
-import requests, base64, re
+from PIL import Image
+import re
 from io import BytesIO
 
-# Configuración del modelo
-LOCAL_MODEL_ID = "lmms-lab/llava-onevision-1.5-8b-instruct"
-HF_API_URL = f"https://api-inference.huggingface.co/models/{LOCAL_MODEL_ID}"
-HF_API_KEY = os.getenv("API_KEY")
-
-model, processor = None, None
-use_local = False
-
-try:
-    print("⏳ Cargando modelo local...")
-    processor = AutoProcessor.from_pretrained(LOCAL_MODEL_ID, trust_remote_code=True)
-    model = AutoModelForVision2Seq.from_pretrained(
-        LOCAL_MODEL_ID,
-        trust_remote_code=True,
-        torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
-        device_map="auto"
-    )
-    use_local = True
-    print("✅ Modelo local cargado correctamente.")
-except Exception as e:
-    print(f"⚠️ No se pudo cargar localmente: {e}")
-    print("➡️ Se usará la API de Hugging Face.")
-
-# ---------- Utilidades ----------
+# ============================================
+# 🔮 CONFIGURACIÓN DEL MODELO
+# ============================================
+
+MODEL_ID = "lmms-lab/llava-onevision-1.5-8b-instruct"
+
+print("⏳ Cargando modelo local con trust_remote_code=True...")
+processor = AutoProcessor.from_pretrained(MODEL_ID, trust_remote_code=True)
+model = AutoModelForVision2Seq.from_pretrained(
+    MODEL_ID,
+    trust_remote_code=True,
+    torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32,
+    device_map="auto"
+)
+print("✅ Modelo cargado correctamente en modo local.")
+
+# ============================================
+# 🧠 FUNCIONES DE ANÁLISIS
+# ============================================
+
 def extract_macros(text):
+    """Extrae proteínas, carbohidratos y grasas del texto generado."""
     def find_value(keyword):
         m = re.search(rf"{keyword}[^0-9]*([0-9]+)", text.lower())
         return int(m.group(1)) if m else 0
@@ -38,7 +34,9 @@ def extract_macros(text):
     kcal = p * 4 + c * 4 + f * 9 if any([p, c, f]) else 0
     return {"protein": p, "carbs": c, "fat": f, "kcal": kcal}
 
+
 def build_macro_card(macros):
+    """Genera el HTML visual con barras de progreso tipo dashboard."""
     if not any(macros.values()):
         return "<div class='card'>⚖️ No se pudieron estimar los macros.</div>"
 
@@ -63,65 +61,25 @@ def build_macro_card(macros):
     </div>
     """
 
-# ---------- Lógica principal ----------
-
-def analyze_food(image, text_prompt=""):
-    if image is None:
-        return "<div class='card'>Subí una imagen del plato 🍽️</div>"
-    if not text_prompt.strip():
-        text_prompt = "Describe esta comida y estima calorías, proteínas, carbohidratos y grasas."
 
+def analyze_food(image, text_prompt="Describe esta comida y estima sus calorías, proteínas, carbohidratos y grasas."):
+    """Procesa la imagen localmente con el modelo y devuelve descripción + macros."""
     try:
-        if use_local:
-            inputs = processor(text=text_prompt, images=image, return_tensors="pt").to(model.device)
-            out = model.generate(**inputs, max_new_tokens=400)
-            answer = processor.decode(out[0], skip_special_tokens=True)
-        else:
-            buffered = BytesIO()
-            image.save(buffered, format="JPEG")
-            img_b64 = base64.b64encode(buffered.getvalue()).decode("utf-8")
-            headers = {
-                "Authorization": f"Bearer {HF_API_KEY}",
-                "Content-Type": "application/json"
-            }
-            data = {
-                "inputs": {
-                    "text": text_prompt,
-                    "image": f"data:image/jpeg;base64,{img_b64}"
-                }
-            }
-
-            print("📡 Enviando request a:", HF_API_URL)
-            r = requests.post(HF_API_URL, headers=headers, json=data)
-
-            print("📩 Status code:", r.status_code)
-            print("🧾 Respuesta cruda:", r.text[:500])
-
-            # si la respuesta viene vacía
-            if not r.text.strip():
-                return "<div class='card error'>⚠️ El modelo no devolvió respuesta. Espera unos segundos y reintenta.</div>"
-
-            # si no es JSON válido
-            try:
-                resp = r.json()
-            except Exception as e:
-                return f"<div class='card error'>⚠️ Error al decodificar respuesta: {e}<br><pre>{r.text[:300]}</pre></div>"
-
-            # Hugging Face a veces devuelve dict con 'error' o 'generated_text'
-            if isinstance(resp, dict) and "error" in resp:
-                return f"<div class='card error'>⚠️ Error del modelo: {resp['error']}</div>"
-
-            answer = str(resp)
+        inputs = processor(text=text_prompt, images=image, return_tensors="pt").to(model.device)
+        out = model.generate(**inputs, max_new_tokens=400)
+        answer = processor.decode(out[0], skip_special_tokens=True)
 
         macros = extract_macros(answer)
         card = build_macro_card(macros)
         return f"<div class='desc'>{answer}</div>{card}"
 
     except Exception as e:
-        return f"<div class='card error'>⚠️ Error general: {e}</div>"
+        return f"<div class='card error'>⚠️ Error: {e}</div>"
 
+# ============================================
+# 💅 INTERFAZ DE USUARIO (Glass Neon)
+# ============================================
 
-# ---------- Interfaz ----------
 def build_interface():
     with gr.Blocks(css="""
 /* --- DARK NEON THEME --- */
@@ -161,18 +119,16 @@ button {
 }
 button:hover {opacity:0.8;}
 """) as demo:
-        gr.Markdown(
-            """
-            <h1>💜 NasFit Vision AI</h1>
-            <p>Analiza tus comidas con IA y obtené tu ficha nutricional instantánea.</p>
-            """
-        )
+
+        gr.Markdown("""
+        <h1>💜 NasFit Vision AI</h1>
+        <p>Analiza tus comidas con IA y obtené tu ficha nutricional instantánea.</p>
+        """)
 
         with gr.Row():
             with gr.Column(scale=1):
                 img = gr.Image(label="📸 Imagen del plato", type="pil")
-                txt = gr.Textbox(label="💬 Instrucción (opcional)",
-                                 placeholder="Ej: ¿Cuántas calorías tiene este plato?")
+                txt = gr.Textbox(label="💬 Instrucción (opcional)", placeholder="Ej: ¿Cuántas calorías tiene este plato?")
                 btn = gr.Button("🔍 Analizar", variant="primary")
             with gr.Column(scale=1):
                 out = gr.HTML(label="🧠 Resultado")
@@ -181,6 +137,7 @@ button:hover {opacity:0.8;}
 
     return demo
 
+
 if __name__ == "__main__":
     demo = build_interface()
     demo.launch()