Update app.py

app.py

@@ -1,56 +1,30 @@
-import os
-import traceback
 import gradio as gr
-from gradio_client import Client, handle_file
+import torch
+from diffusers import DiffusionPipeline # Ajustar según el modelo específico
+from PIL import Image
+import base64
+import io
 
-def fusionar_cosplay_bridge(imagen_real, imagen_ref):
-    hf_token = os.getenv("HF_TOKEN")
-    if not hf_token:
-        print("[-] ERROR: El HF_TOKEN no está configurado en los Secrets del Space.")
-        raise gr.Error("Falta el token HF_TOKEN en el servidor.")
+# 1. Cargar el modelo en memoria al iniciar el Space
+device = "cuda" if torch.cuda.is_available() else "cpu"
+# Este es un ejemplo, debes ajustar el ID según el modelo de Qwen que uses
+model_id = "joyfox/Qwen-Image-Edit-Cosplay" 
+pipe = DiffusionPipeline.from_pretrained(model_id).to(device)
 
-    try:
-        print("[+] Petición recibida desde Android. Conectando al clúster de Qwen...")
-        hf_client = Client("joyfox/Qwen-Image-Edit-Cosplay", token=hf_token)
-        
-        # Aseguramos los prefijos Data URI limpios
-        data_uri_real = imagen_real if imagen_real.startswith("data:") else f"data:image/jpeg;base64,{imagen_real}"
-        data_uri_ref = imagen_ref if imagen_ref.startswith("data:") else f"data:image/jpeg;base64,{imagen_ref}"
-        
-        prompt_texto = "把图2中动漫人物中的发型，服饰和装扮道具迁移到图1的真实人物，图1真实人物保持高度人脸一致性"
-        
-        print("[+] Empaquetando strings Base64 con el formateador de archivos nativo de Gradio 6...")
-        
-        # 🌟 LA SOLUCIÓN DEFINITIVA: 
-        # Usamos handle_file para envolver el string Base64 en el objeto JSON estructurado que gr.Image 
-        # espera recibir, evitando el fallo de decodificación y mapeo del endpoint.
-        input_real = handle_file(data_uri_real)
-        input_ref = handle_file(data_uri_ref)
+def procesar_cosplay(imagen_real, imagen_ref, prompt):
+    # 2. Tu lógica para convertir Base64 a imagen real
+    # (Tu función de decodificación actual ya es correcta)
+    
+    # 3. Ejecutar la inferencia localmente
+    resultado = pipe(prompt=prompt, image=imagen_real, ref_image=imagen_ref).images[0]
+    
+    return resultado
 
-        print("[+] Ejecutando inferencia en el pipeline (fn_index=0)...")
-        resultado = hf_client.predict(
-            input_real,       # Imagen Real (gr.Image estructurada)
-            input_ref,        # Imagen Referencia (gr.Image estructurada)
-            prompt_texto,     # Texto Prompt (gr.Textbox)
-            fn_index=0
-        )
-        
-        print("[+] Fusión completada con éxito.")
-        return {"data": resultado}
-
-    except Exception as e:
-        print("\n================= CRASH EN EL PUENTE =================")
-        traceback.print_exc()
-        print("=====================================================\n")
-        raise gr.Error(f"Crash interno en el cliente del modelo: {str(e)}")
-
-# Mapeamos la interfaz universal para Android
+# 4. Interfaz Gradio
 demo = gr.Interface(
-    fn=fusionar_cosplay_bridge,
-    inputs=[gr.Textbox(label="Real"), gr.Textbox(label="Ref")],
-    outputs=gr.JSON(label="Resultado"),
-    api_name="predict"
+    fn=procesar_cosplay,
+    inputs=[gr.Image(type="pil"), gr.Image(type="pil"), gr.Textbox()],
+    outputs="image"
 )
 
-if __name__ == "__main__":
-    demo.launch(ssr_mode=False)
+demo.launch()