Update app.py

app.py

@@ -27,6 +27,9 @@ stable_diffusion = StableDiffusionPipeline.from_pretrained(
     torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32
 ).to(device)
 
+
+stable_diffusion.vae.enable_tiling = False
+
 nltk.download("punkt")
 
 summarizer = pipeline(
@@ -61,11 +64,30 @@ def summarize_story(story):
 
 def generate_images(story):
     scenes = summarize_story(story)
-    prompts = [f"Highly detailed, cinematic scene: {scene}, digital art, 4K, realistic lighting" for scene in scenes]
     images = []
-    for prompt in prompts:
-        image = stable_diffusion(prompt).images[0]  # Διόρθωση
-        images.append(image)
+    
+    # Περιορισμός σε μέγιστο 3 σκηνές για αποφυγή υπερφόρτωσης
+    scenes = scenes[:min(len(scenes), 3)]
+    
+    for prompt in scenes:
+        try:
+            with torch.no_grad():  # Μειώνει τη χρήση μνήμης
+                prompt_text = f"Highly detailed, cinematic scene: {prompt}, digital art, 4K, realistic lighting"
+                # Προσθέτω παραμέτρους για καλύτερη διαχείριση μνήμης
+                image = stable_diffusion(
+                    prompt_text, 
+                    num_inference_steps=30,  # Μείωση από το προεπιλεγμένο 50
+                    guidance_scale=7.5
+                ).images[0]
+                images.append(image)
+                # Καθαρισμός μνήμης μετά από κάθε δημιουργία
+                if torch.cuda.is_available():
+                    torch.cuda.empty_cache()
+        except Exception as e:
+            print(f"Error generating image for scene: {e}")
+            # Συνέχισε με την επόμενη σκηνή σε περίπτωση σφάλματος
+            continue
+            
     return images
 
 def text_to_speech(story):