app.py

# app.py
import logging
import gradio as gr
import torch
import numpy as np
import jax
import pickle
from PIL import Image
from huggingface_hub import hf_hub_download
from model import build_thera
from super_resolve import process
from diffusers import StableDiffusionXLImg2ImgPipeline
from transformers import DPTFeatureExtractor, DPTForDepthEstimation


# ================== CONFIGURAÇÃO DE LOGGING ==================
class CustomLogger:
    def __init__(self, name):
        self.logger = logging.getLogger(name)
        formatter = logging.Formatter('%(asctime)s - %(levelname)s - %(message)s')
        handler = logging.StreamHandler()
        handler.setFormatter(formatter)
        self.logger.addHandler(handler)
        self.logger.setLevel(logging.INFO)

    def divider(self, text=None, length=60):
        if text:
            available_space = max(length - len(text) - 12, 1)
            msg = f"{'=' * 10} {text.upper()} {'=' * available_space}"
        else:
            msg = "=" * length
        self.logger.info(msg)

    def etapa(self, text):
        self.logger.info(f"▶ {text}")

    def success(self, text):
        self.logger.info(f"✓ {text}")

    def error(self, text):
        self.logger.error(f"✗ {text}")

    def warning(self, text):
        self.logger.warning(f"⚠ {text}")


logger = CustomLogger(__name__)

# ================== CONFIGURAÇÃO DE HARDWARE ==================
device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float32  # Forçar precisão única para compatibilidade
logger.divider("Inicialização do Sistema")
logger.success(f"Dispositivo detectado: {device.upper()}")
logger.success(f"Modo de precisão: float32")


# ================== CARREGAMENTO DE MODELOS ==================
def carregar_modelo_thera(repo_id):
    """Carrega modelos Thera com tratamento de erros robusto"""
    try:
        logger.divider(f"Carregando {repo_id}")
        model_path = hf_hub_download(repo_id=repo_id, filename="model.pkl")
        with open(model_path, 'rb') as f:
            check = pickle.load(f)
            model = build_thera(3, check['backbone'], check['size'])
            params = check['model']
        logger.success(f"{repo_id} carregado")
        return model, params
    except Exception as e:
        logger.error(f"Falha ao carregar {repo_id}: {str(e)}")
        return None, None


# Carregar modelos principais
modelo_edsr, params_edsr = carregar_modelo_thera("prs-eth/thera-edsr-pro")
modelo_rdn, params_rdn = carregar_modelo_thera("prs-eth/thera-rdn-pro")

# ================== MODELOS DE ARTE (CARREGAMENTO CONDICIONAL) ==================
pipe = None
modelo_profundidade = None
processador_profundidade = None

try:
    logger.divider("Inicializando Componentes Artísticos")

    # Pipeline de estilo
    pipe = StableDiffusionXLImg2ImgPipeline.from_pretrained(
        "stabilityai/stable-diffusion-xl-base-1.0",
        torch_dtype=torch_dtype,
        use_safetensors=True
    ).to(device)

    # Adapter LoRA
    pipe.load_lora_weights(
        "KappaNeuro/bas-relief",
        weight_name="BAS-RELIEF.safetensors"
    )

    # Modelo de profundidade
    processador_profundidade = DPTFeatureExtractor.from_pretrained("Intel/dpt-large")
    modelo_profundidade = DPTForDepthEstimation.from_pretrained("Intel/dpt-large").to(device)

    logger.success("Componentes artísticos prontos")
except Exception as e:
    logger.warning(f"Recursos artísticos desativados: {str(e)}")
    pipe = None
    modelo_profundidade = None


# ================== PIPELINE PRINCIPAL ==================
def processar_imagem(imagem, escala, modelo, prompt):
    """Fluxo completo de processamento com fallbacks"""
    try:
        logger.divider("Novo Processamento")

        # Converter entrada para PIL
        if not isinstance(imagem, Image.Image):
            imagem = Image.fromarray(imagem)

        # ========= 1. SUPER-RESOLUÇÃO =========
        logger.etapa("Super-Resolução Thera")
        modelo_sr = modelo_edsr if modelo == "EDSR" else modelo_rdn
        params_sr = params_edsr if modelo == "EDSR" else params_rdn

        sr_jax = process(
            np.array(imagem) / 255.0,
            modelo_sr,
            params_sr,
            (int(imagem.height * escala),
             int(imagem.width * escala)),
            True
        )

        sr_pil = Image.fromarray(np.array(sr_jax)).convert("RGB")
        logger.success(f"Resolução: {sr_pil.size[0]}x{sr_pil.size[1]}")

        # ========= 2. ESTILO BAIXO-RELEVO =========
        arte_pil = sr_pil  # Fallback padrão
        if pipe:
            try:
                logger.etapa("Aplicando Estilo")
                arte_pil = pipe(
                    prompt=f"BAS-RELIEF {prompt}, marble texture, cinematic lighting",
                    image=sr_pil,
                    strength=0.6,
                    num_inference_steps=25,
                    guidance_scale=7.0
                ).images[0]
                logger.success("Estilo aplicado")
            except Exception as e:
                logger.error(f"Erro no estilo: {str(e)}")

        # ========= 3. MAPA DE PROFUNDIDADE =========
        mapa_pil = arte_pil  # Fallback padrão
        if modelo_profundidade and arte_pil:
            try:
                logger.etapa("Calculando Profundidade")
                inputs = processador_profundidade(arte_pil, return_tensors="pt").to(device)
                with torch.no_grad():
                    depth = modelo_profundidade(**inputs).predicted_depth

                depth = torch.nn.functional.interpolate(
                    depth.unsqueeze(1).float(),
                    size=arte_pil.size[::-1],
                    mode="bicubic"
                ).squeeze().cpu().numpy()

                depth_normalized = (depth - depth.min()) / (depth.max() - depth.min())
                mapa_pil = Image.fromarray((depth_normalized * 255).astype(np.uint8))
                logger.success("Profundidade calculada")
            except Exception as e:
                logger.error(f"Erro na profundidade: {str(e)}")

        return sr_pil, arte_pil, mapa_pil

    except Exception as e:
        logger.error(f"Erro fatal: {str(e)}")
        return None, None, None


# ================== INTERFACE GRADIO ==================
with gr.Blocks(title="TheraSR Universal", theme=gr.themes.Soft()) as app:
    gr.Markdown("# 🏛 TheraSR - Super Resolução & Arte")

    with gr.Row():
        with gr.Column():
            input_image = gr.Image(label="Imagem de Entrada", type="pil")
            scale = gr.Slider(1.0, 4.0, value=2.0,
                              label="Fator de Escala", step=0.1)
            model_select = gr.Radio(["EDSR", "RDN"],
                                    value="EDSR", label="Modelo")
            style_prompt = gr.Textbox(
                label="Descrição do Estilo",
                value="ancient greek marble浮雕, ultra detailed, 8k"
            )
            btn_process = gr.Button("Processar", variant="primary")

        with gr.Column():
            output_sr = gr.Image(label="Super-Resolução", interactive=False)
            output_art = gr.Image(label="Arte em Relevo", interactive=False)
            output_depth = gr.Image(label="Mapa de Profundidade", interactive=False)

    btn_process.click(
        processar_imagem,
        inputs=[input_image, scale, model_select, style_prompt],
        outputs=[output_sr, output_art, output_depth]
    )

if __name__ == "__main__":
    app.launch(server_name="0.0.0.0", server_port=7860)