tentando sem segmentação

Dockerfile

@@ -6,8 +6,7 @@ WORKDIR /app
 
 #Instala dependências de sistema
 RUN apt-get update && apt-get install -y --no-install-recommends \
-    build-essential \
-    libgl1 && \
+    build-essential && \
     rm -rf /var/lib/apt/lists/*
 
 #Copia o requirements.txt primeiro

download_models.py

@@ -1,25 +1,6 @@
-import os
 import sys
 from huggingface_hub import snapshot_download
-from transparent_background import Remover
-from PIL import Image
 
-#1. Baixa o modelo ConvNext
 print("Downloading ConvNext-LARGE model (snapshot)...")
 snapshot_download(repo_id='facebook/convnext-large-224-22k-1k')
-print("ConvNext-LARGE model downloaded.")
-
-#2. Baixa o modelo backgroundremover
-print("Downloading backgroundremover model (u2net)...")
-#Usa o truque da imagem falsa de 1x1 para forçar o download
-img = Image.new('RGB', (1, 1), 'black')
-try:
-    remover = Remover()
-    remover.process(img)
-except Exception as e:
-    # A execução vai falhar na imagem 1x1, o que é esperado.
-    # Nós não nos importamos, contanto que o download tenha sido disparado.
-    print(f"Disparado o download (ignora erro esperado: {e})")
-    pass
-    
-print("Model downloads finished.")
+print("ConvNext-LARGE model downloaded.")

feature_extractor_single.py

@@ -2,40 +2,9 @@ import os
 import torch
 import numpy as np
 from PIL import Image
-from transparent_background import Remover
 from torchvision import transforms
 from transformers import ConvNextImageProcessor, ConvNextForImageClassification
 
-#Função de segmentação + fundo branco
-# Mude esta função
-def segment_and_whitebg(image_path: str, save_dir: str = "processed") -> str:
-    """
-    Remove o fundo de uma folha e substitui por branco
-    Retorna o caminho da imagem salva
-    """
-    os.makedirs(save_dir, exist_ok=True)
-
-    #Remove fundo
-    input_img = Image.open(image_path).convert("RGB")
-    remover = Remover() #Inicializa o modelo
-    output = remover.process(input_img, type='rgba') #Processa e retorna PIL
-
-    #Adiciona fundo branco
-    bg = Image.new("RGBA", output.size, (255, 255, 255, 255))
-    whitebg = Image.alpha_composite(bg, output).convert("RGB")
-
-    #Caminho da imagem processada
-    base_name = os.path.basename(image_path)
-    name, _ = os.path.splitext(base_name)
-    save_path = os.path.join(save_dir, f"{name}_whitebg.jpg")
-
-    #Salva
-    whitebg.save(save_path, "JPEG", quality=95)
-    print(f"Imagem segmentada e salva em: {save_path}")
-
-    return save_path
-
-
 #Classe para extração de features (ConvNeXt)
 class FeatureExtractor:
     def __init__(self, device=None):
@@ -63,29 +32,24 @@ class FeatureExtractor:
         print(f"Vetor de características extraído com shape: {features_np.shape}")
         return features_np
 
-
 #Função principal
 def process_single_image(image_path: str, output_dir: str = "processed"):
     """
     Faz todo o pipeline em uma única imagem:
-    - Segmentação e substituição do fundo
-    - Extração de features ConvNeXt
+    - Extração de features ConvNeXt (sem segmentação)
     """
-    #1) Segmentação e fundo branco
-    processed_path = segment_and_whitebg(image_path, save_dir=output_dir)
-
-    #2) Extração de features
+    #1) Extração de features
     extractor = FeatureExtractor()
-    features = extractor.extract_convnext(processed_path)
+    # Passa o CAMINHO ORIGINAL da imagem (ex: /tmp/temp_foto.jpg)
+    features = extractor.extract_convnext(image_path) 
 
-    #3) Salvar o vetor de características
+    #2) Salvar o vetor de características
     feat_path = os.path.join(output_dir, "features_single.npy")
     np.save(feat_path, features)
     print(f"Vetor de características salvo em: {feat_path}")
 
     return feat_path
 
-
 #Execução direta
 if __name__ == "__main__":
     #Caminho da imagem

requirements.txt

@@ -13,14 +13,11 @@ torchvision==0.17.2+cpu
 -f https://download.pytorch.org/whl/torch_stable.html
 
 transformers==4.39.3
-timm
 
 # =====================================
 # Processamento de imagem
 # =====================================
 pillow==10.3.0
-transparent-background==1.3.4
-onnxruntime==1.19.2
 numpy==1.26.4
 
 # =====================================