File size: 2,267 Bytes
7e2816d |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 |
from transformers import AutoProcessor, AutoModelForCausalLM
from PIL import Image
import torch
class TextHandler:
def process(self):
return input("⌨️ Digite sua mensagem: ").strip()
class AudioHandler:
def __init__(self, client, audio_model):
self.client = client
self.audio_model = audio_model
class ImageHandler:
def __init__(self, model_name):
self.processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
self.model = AutoModelForCausalLM.from_pretrained(model_name, trust_remote_code=True)
self.device = "cuda" if torch.cuda.is_available() else "cpu"
self.model.to(self.device)
self.model.eval()
def process_pil_image(self, pil_image: Image.Image):
"""Processa um objeto PIL.Image vindo diretamente do Gradio."""
if not isinstance(pil_image, Image.Image):
raise TypeError("A entrada deve ser um objeto PIL.Image.")
return self._generate_caption(pil_image.convert("RGB"))
def _generate_caption(self, img):
"""Lógica de geração de legenda reutilizável usando Florence-2."""
# Prompt para descrição detalhada
prompt = "<MORE_DETAILED_CAPTION>"
with torch.no_grad():
inputs = self.processor(text=prompt, images=img, return_tensors="pt").to(self.device)
generated_ids = self.model.generate(
input_ids=inputs["input_ids"],
pixel_values=inputs["pixel_values"],
max_new_tokens=1024,
do_sample=False,
num_beams=3,
)
generated_text = self.processor.batch_decode(generated_ids, skip_special_tokens=False)[0]
# O Florence-2 requer pós-processamento para extrair a resposta limpa
parsed_answer = self.processor.post_process_generation(
generated_text,
task=prompt,
image_size=(img.width, img.height)
)
# parsed_answer retorna um dict, ex: {'<MORE_DETAILED_CAPTION>': 'texto da legenda'}
return parsed_answer.get(prompt, "")
|