Aprimora processamento de imagens e validação de entrada

Adiciona verificação para assegurar que pelo menos uma imagem é fornecida antes do processamento e simplifica a passagem das imagens como uma lista de listas. Isso melhora a robustez do código, garantindo um tratamento adequado de potenciais entradas vazias e reforçando a estrutura dos dados durante a inferência com o modelo. Além disso, melhora a legibilidade e manutenção do código.

app.py

@@ -18,18 +18,17 @@ processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-2B-Instruct", min_pixel
 def process_image(image_data: str) -> Image.Image:
     if image_data.startswith("http://") or image_data.startswith("https://"):
         response = requests.get(image_data)
-        response.raise_for_status()  # Adiciona verificação de erro na requisição
+        response.raise_for_status()
         img = Image.open(BytesIO(response.content))
     elif image_data.startswith("data:image"):
         img_data = base64.b64decode(image_data.split(",")[1])
         img = Image.open(BytesIO(img_data))
-    else:  # Assume que é um caminho de arquivo local
+    else:
         img = Image.open(image_data)
     return img
 
 @app.post("/predict")
 async def predict(messages: List[Dict[str, Union[str, List[Dict[str, str]]]]] = Body(...)):
-    # Processamento e inferência
     texts = []
     image_inputs = []
     video_inputs = []
@@ -51,15 +50,20 @@ async def predict(messages: List[Dict[str, Union[str, List[Dict[str, str]]]]] =
         else:
             raise ValueError(f"Formato inválido para o conteúdo: {content}")
 
+    if not image_inputs:
+        raise ValueError("Nenhuma imagem fornecida para processamento.")
+
+    print(f"Imagens processadas: {image_inputs}")
+
     inputs = processor(
         text=texts,
-        images=image_inputs,
+        images=[image_inputs],  # Passa as imagens como uma lista de listas
         videos=video_inputs,
         padding=True,
         return_tensors="pt"
     )
-    inputs = inputs.to("cpu")  # Altere para "cuda" se tiver GPU disponível
-    
+    inputs = inputs.to("cpu")
+
     generated_ids = model.generate(**inputs, max_new_tokens=128)
     generated_ids_trimmed = [
         out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)