from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration
import gradio as gr

# Inicialización del procesador y modelo de BLIP
processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

def generate_captions(image, text=""):
    # Convertir la imagen cargada a PIL Image
    raw_image = Image.fromarray(image).convert('RGB')
    
    if text:  # Conditional image captioning
        inputs = processor(raw_image, text, return_tensors="pt")
    else:  # Unconditional image captioning
        inputs = processor(raw_image, return_tensors="pt")
    
    # Generar subtítulos para la imagen
    out = model.generate(**inputs)
    caption = processor.decode(out[0], skip_special_tokens=True)
    
    return caption

# Interfaz de Gradio
iface = gr.Interface(
    fn=generate_captions,
    inputs=[
        gr.Image(label="Cargar/Arrastrar Imagen", image_mode='RGB', tool="editor"),  # Eliminado el argumento 'shape'
        gr.Textbox(label="Texto Condicional (opcional)", placeholder="Introduce un texto condicional (opcional)...")
    ],
    outputs=gr.Textbox(label="Subtítulo Generado"),
    title="Generador de Subtítulos de Imágenes BLIP",
    description="Esta aplicación genera subtítulos para imágenes cargadas. También puedes proporcionar un texto condicional para guiar la generación del subtítulo."
)

if __name__ == "__main__":
    iface.launch()