.

app.py

@@ -1,157 +0,0 @@
-import gradio as gr
-import pandas as pd
-import numpy as np
-import torch
-import joblib
-import json
-import os
-import traceback
-from transformers import AutoTokenizer, AutoModel
-from torch import nn
-
-# --- 1. DEFINIÇÃO DA ARQUITETURA DO MODELO ---
-# Colocamos a classe aqui para que a aplicação seja autocontida.
-class RegressionTransformer(nn.Module):
-    def __init__(self, model_name='neuralmind/bert-base-portuguese-cased'):
-        super(RegressionTransformer, self).__init__()
-        self.bert = AutoModel.from_pretrained(model_name)
-        self.regressor = nn.Sequential(
-            nn.Dropout(p=0.2),
-            nn.Linear(self.bert.config.hidden_size, 128),
-            nn.ReLU(),
-            nn.Dropout(p=0.2),
-            nn.Linear(128, 1)
-        )
-    def forward(self, input_ids, attention_mask):
-        outputs = self.bert(input_ids=input_ids, attention_mask=attention_mask)
-        pooled_output = outputs.pooler_output
-        return self.regressor(pooled_output)
-
-# --- 2. CARREGAMENTO DOS ARTEFATOS GLOBAIS ---
-# Esta seção é executada uma vez quando a aplicação inicia no Hugging Face Spaces.
-print("Carregando artefatos do modelo...")
-device = torch.device("cpu")
-CACHE_DIR = "./huggingface_cache" 
-
-try:
-    # Carrega o tokenizador
-    TOKENIZER_NAME = 'neuralmind/bert-base-portuguese-cased'
-    tokenizer = AutoTokenizer.from_pretrained(TOKENIZER_NAME, cache_dir=CACHE_DIR)
-    print("Tokenizador carregado.")
-
-    # Carrega o modelo treinado
-    MODEL_PATH = './modelo/best_model_state.pth'
-    model = RegressionTransformer(model_name=TOKENIZER_NAME)
-    model.load_state_dict(torch.load(MODEL_PATH, map_location=device))
-    model.to(device)
-    model.eval()
-    print("Modelo carregado.")
-
-    # Carrega a lista de features que o modelo espera
-    FEATURES_PATH = './modelo/model_features.json'
-    with open(FEATURES_PATH, 'r') as f:
-        features_dict = json.load(f)
-        model_features = features_dict['numeric'] + features_dict['categorical']
-    print("Features do modelo carregadas.")
-
-except Exception as e:
-    print("!!!!!! ERRO FATAL AO CARREGAR ARTEFATOS !!!!!!")
-    traceback.print_exc()
-    raise e
-
-# --- 3. FUNÇÃO DE LÓGICA / PREVISÃO ---
-# Esta função contém a "inteligência" do back-end.
-def predict_price(make, model_name, year, odometer, trim, body, transmission, color, interior):
-    try:
-        print(f"Recebida nova predição: {make}, {model_name}, {year}, {odometer}km")
-        
-        # Converte os inputs da interface em um DataFrame de uma linha
-        input_data_dict = {
-            'make': make, 'model': model_name, 'year': int(year), 'odometer': float(odometer),
-            'trim': trim, 'body': body, 'transmission': transmission, 
-            'color': color, 'interior': interior
-        }
-        input_df = pd.DataFrame([input_data_dict])
-        
-        # Aplica a mesma engenharia de features do treinamento
-        ano_referencia = 2024
-        input_df['age'] = ano_referencia - input_df['year']
-        input_df['sale_month'] = 0 # Placeholder
-        input_df['sale_dayofweek'] = 0 # Placeholder
-        input_df['sale_dayofyear'] = 0 
-        input_df['make_popularity'] = 0
-        input_df['model_popularity'] = 0
-        input_df['km_per_year'] = 0
-        
-        # Cria a "frase" textual
-        def criar_representacao_textual(row):
-            partes = [f"{coluna}[{str(row[coluna])}]" for coluna in model_features if coluna in row]
-            return " | ".join(partes)
-        text_input = input_df.apply(criar_representacao_textual, axis=1).iloc[0]
-        
-        # Tokeniza e prepara os tensores
-        encoded_text = tokenizer.encode_plus(
-            text_input, max_length=128, return_tensors='pt',
-            padding='max_length', truncation=True
-        )
-        input_ids = encoded_text['input_ids'].to(device)
-        attention_mask = encoded_text['attention_mask'].to(device)
-        
-        # Faz a inferência
-        with torch.no_grad():
-            prediction_log = model(input_ids, attention_mask)
-        
-        # Pós-processa o resultado
-        predicted_price = np.expm1(prediction_log.cpu().numpy()[0][0])
-        
-        # Formata a string de saída para o usuário
-        return f"R$ {predicted_price:,.2f}".replace(",", "X").replace(".", ",").replace("X", ".")
-
-    except Exception as e:
-        print("!!!!!! ERRO DURANTE A PREVISÃO !!!!!!")
-        traceback.print_exc()
-        return "Ocorreu um erro. Verifique os logs."
-
-# --- 4. DEFINIÇÃO DA INTERFACE COM GRADIO ---
-# Esta seção define a aparência do "front-end".
-with gr.Blocks(theme=gr.themes.Soft(), css="footer {display: none !important}") as demo:
-    gr.Markdown("# 🚗 FipeFinder AI: Previsão de Preços de Carros Usados")
-    gr.Markdown("Preencha as características do veículo para receber uma estimativa de preço de mercado baseada em nosso modelo de IA. Este projeto demonstra um pipeline completo de Machine Learning, desde a análise de dados e treinamento de um modelo Transformer até o deploy de uma aplicação interativa.")
-    
-    with gr.Row():
-        with gr.Column(scale=1):
-            make_input = gr.Dropdown(label="Marca", choices=["Ford", "Chevrolet", "Honda", "Toyota", "Nissan", "Hyundai", "Kia", "BMW", "Mercedes-Benz", "Volkswagen"])
-            model_input = gr.Textbox(label="Modelo", placeholder="Ex: Ka, Onix, Civic, Corolla...")
-            year_input = gr.Slider(label="Ano do Modelo", minimum=2000, maximum=2024, step=1, value=2015)
-            
-        with gr.Column(scale=1):
-            odo_input = gr.Number(label="Quilometragem (km)", value=80000)
-            trim_input = gr.Textbox(label="Versão", placeholder="Ex: SE 1.0, LTZ, EXL...")
-            body_input = gr.Dropdown(label="Carroceria", choices=["Sedan", "SUV", "Hatchback", "Pickup", "Minivan", "Coupe", "Wagon"])
-            
-        with gr.Column(scale=1):
-            trans_input = gr.Radio(label="Transmissão", choices=["automatic", "manual"], value="automatic")
-            color_input = gr.Textbox(label="Cor Externa", placeholder="Ex: preto, branco, prata...")
-            interior_input = gr.Textbox(label="Cor Interior", placeholder="Ex: preto, cinza, bege...")
-            
-    predict_btn = gr.Button("Estimar Preço", variant="primary")
-    output_price = gr.Label(label="Preço Estimado")
-
-    predict_btn.click(
-        fn=predict_price,
-        inputs=[make_input, model_input, year_input, odo_input, trim_input, body_input, trans_input, color_input, interior_input],
-        outputs=output_price
-    )
-    
-    gr.Examples(
-        examples=[
-            ["Ford", "Focus", 2013, 75000.0, "SE 2.0", "Hatchback", "automatic", "prata", "preto"],
-            ["Chevrolet", "Onix", 2018, 90000.0, "LT 1.0", "Hatchback", "manual", "branco", "cinza"],
-            ["Toyota", "Corolla", 2020, 40000.0, "XEi", "Sedan", "automatic", "preto", "preto"],
-        ],
-        inputs=[make_input, model_input, year_input, odo_input, trim_input, body_input, trans_input, color_input, interior_input]
-    )
-
-# --- Lançamento da Interface ---
-if __name__ == "__main__":
-    demo.launch()