Update app.py

app.py

@@ -2,39 +2,32 @@ import os
 import base64
 import traceback
 import requests
-import fastapi
 import gradio as gr
-from pydantic import BaseModel
 
-# 1. Configuración de URLs y Variables de Entorno
+# 1. Configuración de la API externa
 API_URL = "https://api-inference.huggingface.co/models/joyfox/Qwen-Image-Edit-Cosplay"
 HF_TOKEN = os.getenv("HF_TOKEN")
 
-# 2. Inicializamos FastAPI de manera independiente
-io_app = fastapi.FastAPI()
-
-class CosplayPayload(BaseModel):
-    data: list[str]
-
-@io_app.post("/api/predict")
-async def fusionar_cosplay(payload: CosplayPayload):
+def fusionar_cosplay_bridge(imagen_real, imagen_ref):
+    """
+    Función puente que recibe las peticiones de Android a través de Gradio,
+    las reempaqueta con el formato de Qwen y llama a la API de Inferencia Serverless.
+    """
     if not HF_TOKEN:
-        print("[-] ERROR: El HF_TOKEN no está configurado en las variables (Secrets) del Space.")
-        raise fastapi.HTTPException(status_code=500, detail="Falta el token HF_TOKEN")
-
-    if len(payload.data) < 2:
-        raise fastapi.HTTPException(status_code=400, detail="Se requieren exactamente 2 imágenes.")
+        print("[-] ERROR: El HF_TOKEN no está configurado en los Secrets del Space.")
+        raise gr.Error("Falta el token HF_TOKEN en el servidor.")
 
     try:
-        print("[+] Petición recibida desde Android. Procesando cadenas Base64...")
+        print("[+] Petición recibida desde Android a través del puente de Gradio...")
         
-        # Aseguramos el prefijo Data URI para el JSON de Qwen
-        data_uri_real = payload.data[0] if payload.data[0].startswith("data:") else f"data:image/jpeg;base64,{payload.data[0]}"
-        data_uri_ref = payload.data[1] if payload.data[1].startswith("data:") else f"data:image/jpeg;base64,{payload.data[1]}"
+        # Gradio maneja automáticamente los strings entrantes. 
+        # Aseguramos que tengan el prefijo Data URI limpio para el modelo Qwen.
+        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 and 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"
+        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"
         
-        # Payload JSON limpio para la API de Inferencia Serverless
+        # Payload JSON requerido por la API Serverless de Hugging Face
         json_payload = {
             "inputs": {
                 "text": prompt_texto,
@@ -50,37 +43,49 @@ async def fusionar_cosplay(payload: CosplayPayload):
             "Content-Type": "application/json"
         }
         
-        print("[+] Enviando petición a la API de Inferencia de Hugging Face mediante el puente de Gradio...")
-        
-        # Petición HTTP POST síncrona
+        print("[+] Enviando payload a la API de Inferencia...")
         respuesta = requests.post(API_URL, headers=headers, json=json_payload, timeout=110)
-        print(f"[+] Respuesta recibida. Código de estado: {respuesta.status_code}")
+        print(f"[+] Respuesta de Hugging Face recibida. Estado: {respuesta.status_code}")
         
         if respuesta.status_code == 200:
             content_type = respuesta.headers.get("content-type", "").lower()
             
+            # Si el modelo responde con JSON estructurado
             if "application/json" in content_type:
                 return respuesta.json()
+            # Si responde directamente con los bytes crudos de la imagen procesada
             else:
                 imagen_procesada_base64 = base64.b64encode(respuesta.content).decode("utf-8")
                 return {"data": f"data:image/jpeg;base64,{imagen_procesada_base64}"}
         else:
             print(f"[-] Error de la API de Inferencia: {respuesta.text}")
-            raise fastapi.HTTPException(status_code=502, detail=f"HF API Error: {respuesta.status_code}")
+            raise gr.Error(f"HF API Error: {respuesta.status_code}")
 
-    except fastapi.HTTPException as status_error:
-        raise status_error
     except Exception as e:
-        print("\n================= CRASH EN EL PROXY =================")
+        print("\n================= CRASH EN EL PUENTE =================")
         traceback.print_exc()
         print("=====================================================\n")
-        raise fastapi.HTTPException(status_code=500, detail=f"Crash interno: {str(e)}")
+        raise gr.Error(f"Crash interno en el servidor: {str(e)}")
 
-# 3. Interfaz de Gradio (Obligatoria para que Hugging Face mantenga vivo el contenedor)
+# 2. Definición de la interfaz de Gradio
+# Usamos gr.Text de tipo string para recibir el Base64 puro sin que Gradio intente guardarlo en disco de forma local.
 with gr.Blocks() as demo:
     gr.Markdown("# Cosplay API Bridge Active 🎭")
-    gr.Markdown("Este Space está corriendo un servidor FastAPI en segundo plano optimizado para peticiones desde Android.")
+    gr.Markdown("Este Space actúa como puente directo de red para peticiones móviles.")
+    
+    # Declaramos los componentes de entrada/salida de forma invisible o visible para pruebas
+    input_real = gr.Textbox(visible=False)
+    input_ref = gr.Textbox(visible=False)
+    output_json = gr.JSON()
+    
+    # Definimos la función asociada con un nombre de endpoint explícito (api_name)
+    btn = gr.Button("Procesar", visible=False)
+    btn.click(
+        fn=fusionar_cosplay_bridge, 
+        inputs=[input_real, input_ref], 
+        outputs=output_json, 
+        api_name="predict"
+    )
 
-# 4. Montamos la aplicación de FastAPI dentro de la instancia de Gradio 'demo'
-# El objeto final resultante se debe mapear de nuevo a la aplicación nativa para que la plataforma lo detecte.
-app = gr.mount_gradio_app(io_app, demo, path="/")
+# Lanzamos el entorno nativo de Gradio
+demo.launch()