Update app.py

app.py

@@ -1,34 +1,42 @@
 # -*- coding: utf-8 -*-
 import gradio as gr
+from diffusers import StableDiffusionImg2ImgPipeline
 from PIL import Image
-from diffusers import DiffusionPipeline
 from huggingface_hub import login
 import os
+import torch
 
 # 从环境变量中获取访问令牌
 hf_token = os.getenv("hf_token")
 
-# 使用令牌进行登录
-login(token=hf_token)
+# 使用令牌进行登录（如果不用Hugging Face的模型，可以跳过这一步）
+if hf_token:
+    login(token=hf_token)
 
-# 加载 Hugging Face 上的预训练模型
-pipe = DiffusionPipeline.from_pretrained("lamblabs/sd-image-variations-diffusers")
+# 加载预训练的图像到图像的 Stable Diffusion 模型
+pipe = StableDiffusionImg2ImgPipeline.from_pretrained("runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16)
+pipe.to("cuda")  # 如果有GPU, 可以使用GPU来加速
 
-# 图像生图像的核心函数，使用预训练模型处理图像
-def image_to_image(input_image):
-    # 这里将输入图像转换为 Hugging Face 模型可以使用的格式
+# 定义 Gradio 接口中调用的函数
+def image_to_image(input_image, prompt):
+    # 将用户上传的输入图像转化为RGB格式
     input_image = input_image.convert("RGB")
     
-    # 生成图片，使用模型进行处理
-    result = pipe(input_image).images[0]
+    # 使用预训练模型生成新图像
+    generated_image = pipe(
+        prompt=prompt, image=input_image, strength=0.75, guidance_scale=7.5
+    ).images[0]
     
-    return result  # 返回生成的图像
+    return generated_image  # 返回生成的图像
 
 # 创建 Gradio 接口
-demo = gr.Interface(fn=image_to_image, inputs="image", outputs="image")
+demo = gr.Interface(
+    fn=image_to_image, 
+    inputs=["image", "text"],  # 接收一个图像和一个文本作为输入
+    outputs="image"            # 输出图像
+)
 
 if __name__ == "__main__":
     demo.launch()
 
 
-