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}")


logger = CustomLogger(__name__)

# ================== CONFIGURAÇÃO FORÇADA ==================
device = "cpu"
torch_dtype = torch.float32
logger.divider("Configuração Forçada")
logger.success(f"Dispositivo: {device.upper()}")
logger.success(f"Precisão: {str(torch_dtype).replace('torch.', '')}")


# ================== CARREGAMENTO DE MODELOS ==================
def carregar_modelo_thera(repo_id):
    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 no carregamento: {str(e)}")
        return None, None


try:
    modelo_edsr, params_edsr = carregar_modelo_thera("prs-eth/thera-edsr-pro")
    modelo_rdn, params_rdn = carregar_modelo_thera("prs-eth/thera-rdn-pro")
except Exception as e:
    logger.error("Falha crítica nos modelos Thera")
    raise

# ================== PIPELINE ARTÍSTICO ==================
pipe = None
modelo_profundidade = None

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

    # Pipeline principal
    pipe = StableDiffusionXLImg2ImgPipeline.from_pretrained(
        "stabilityai/stable-diffusion-xl-base-1.0",
        torch_dtype=torch_dtype,
        variant="fp32"
    ).to(device)

    # LoRA
    pipe.load_lora_weights(
        "KappaNeuro/bas-relief",
        weight_name="BAS-RELIEF.safetensors",
        peft_backend="peft"          # This is crucial
    )

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

    logger.success("Componentes artísticos em float32")
except Exception as e:
    logger.warning(f"Recursos artísticos limitados: {str(e)}")
    print(e)
    pipe = None


# ================== PROCESSAMENTO PRINCIPAL ==================
def processar_imagem_completa(imagem, escala, modelo, prompt):
    try:
        logger.divider("Iniciando Processamento")

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

        # ========= 1. SUPER-RESOLUÇÃO =========
        logger.etapa("Processando Super-Resolução")
        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.,
            modelo_sr,
            params_sr,
            (round(imagem.height * escala),
             round(imagem.width * escala)),
            True
        )

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

        # ========= 2. ESTILO BAIXO-RELEVO =========
        arte_pil = sr_pil  # Fallback
        if pipe:
            try:
                logger.etapa("Aplicando Estilo")
                arte_pil = pipe(
                    prompt=f"BAS-RELIEF {prompt}, marble texture, 8k",
                    image=sr_pil,
                    strength=0.6,
                    num_inference_steps=25,
                    guidance_scale=7.0,
                    generator=torch.Generator(device).manual_seed(42)
                ).images[0]
                logger.success("Estilo aplicado")
            except Exception as e:
                logger.error(f"Erro no estilo: {str(e)}")
                print(e)

        # ========= 3. MAPA DE PROFUNDIDADE =========
        mapa_pil = arte_pil  # Fallback
        if modelo_profundidade:
            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),
                    size=arte_pil.size[::-1],
                    mode="bicubic"
                ).squeeze().cpu().numpy()

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

        return sr_pil, arte_pil, mapa_pil

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


# ================== INTERFACE GRADIO ==================
with gr.Blocks(title="TheraSR Universal", theme=gr.themes.Soft()) as app:
    gr.Markdown("# 🏛 TheraSR - Processamento Completo em Float32")

    with gr.Row():
        with gr.Column():
            input_img = gr.Image(label="Imagem de Entrada", type="pil")
            slider_scale = gr.Slider(1.0, 4.0, value=2.0, label="Fator de Escala")
            radio_model = gr.Radio(["EDSR", "RDN"], value="EDSR", label="Modelo")
            text_prompt = gr.Textbox(
                label="Prompt de Estilo",
                value="ancient marble浮雕, ultra detailed, 8k cinematic"
            )
            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_completa,
        inputs=[input_img, slider_scale, radio_model, text_prompt],
        outputs=[output_sr, output_art, output_depth]
    )

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