Update app.py

app.py

@@ -1,160 +1,44 @@
 import gradio as gr
 import numpy as np
-import random
-import torch
-from diffusers import DiffusionPipeline
-from torch import autocast  # Usando autocast para otimizar operações em float16
+from PIL import Image, ImageDraw, ImageFont
+
+# Função para gerar a imagem
+def generate_image():
+    # Criar uma imagem em branco
+    img = Image.new("RGB", (512, 512), color=(255, 255, 255))
+    draw = ImageDraw.Draw(img)
+
+    # Definir gradiente de amarelo para rosa
+    gradient = np.zeros((512, 512, 3), dtype=np.uint8)
+    for i in range(512):
+        for j in range(512):
+            r = int((i / 512) * 255)  # Gradiente de vermelho
+            g = int((i / 512) * 255)  # Gradiente de verde
+            b = int(255 - (i / 512) * 255)  # Gradiente de azul
+            gradient[i, j] = [r, g, b]
+
+    # Converter o gradiente para uma imagem PIL
+    gradient_img = Image.fromarray(gradient)
+    img.paste(gradient_img, (0, 0))
+
+    # Adicionar o título na imagem
+    font = ImageFont.load_default()
+    draw.text((20, 20), "FLUX.1 [dev] 🖥️", font=font, fill=(0, 0, 0))
+
+    return img
+
+# Definir a interface Gradio
+with gr.Blocks() as demo:
+    with gr.Row():
+        gr.Markdown("### FLUX.1 [dev] 🖥️")
+        gr.Markdown(
+            "This is a Gradio app using FLUX.1. The app generates an image with a yellow to pink gradient."
+        )
+    result = gr.Image(label="Generated Image")
+
+    gr.Button("Generate Image").click(generate_image, outputs=[result])
+
+demo.launch()
 
-# Verifica se a GPU está disponível
-device = "cuda" if torch.cuda.is_available() else "cpu"
-model_repo_id = "stabilityai/sdxl-turbo"  # Modelo otimizado para velocidade
-
-# Usando float16 para otimizar a execução na GPU
-torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32
-
-# Carregando o modelo com otimizações
-pipe = DiffusionPipeline.from_pretrained(model_repo_id, torch_dtype=torch_dtype).to(device)
-
-# Max seed
-MAX_SEED = np.iinfo(np.int32).max
-MAX_IMAGE_SIZE = 512  # Dimensões menores para acelerar
-
-# Função de inferência otimizada
-def infer(
-    prompt,
-    negative_prompt,
-    seed,
-    randomize_seed,
-    width,
-    height,
-    guidance_scale,
-    num_inference_steps,
-    progress=gr.Progress(track_tqdm=True),
-):
-    # Randomiza a semente, se necessário
-    if randomize_seed:
-        seed = random.randint(0, MAX_SEED)
-
-    generator = torch.Generator(device).manual_seed(seed)
-
-    # Usando autocast para acelerar o cálculo com float16 em GPUs
-    with autocast("cuda"):
-        # Geração da imagem com um número reduzido de passos (para acelerar)
-        image = pipe(
-            prompt=prompt,
-            negative_prompt=negative_prompt,
-            guidance_scale=guidance_scale,
-            num_inference_steps=num_inference_steps,
-            width=width,
-            height=height,
-            generator=generator,
-        ).images[0]
-
-    return image, seed
-
-
-# Exemplos para o Gradio
-examples = [
-    "Astronaut in a jungle, cold color palette, muted colors, detailed, 2k",
-    "An astronaut riding a green horse",
-    "A delicious ceviche cheesecake slice",
-]
-
-css = """
-#col-container {
-    margin: 0 auto;
-    max-width: 640px;
-}
-"""
-
-with gr.Blocks(css=css) as demo:
-    with gr.Column(elem_id="col-container"):
-        gr.Markdown(" # Text-to-Image Gradio Template")
-
-        with gr.Row():
-            prompt = gr.Text(
-                label="Prompt",
-                show_label=False,
-                max_lines=1,
-                placeholder="Enter your prompt",
-                container=False,
-            )
-
-            run_button = gr.Button("Run", scale=0, variant="primary")
-
-        result = gr.Image(label="Result", show_label=False)
-
-        with gr.Accordion("Advanced Settings", open=False):
-            negative_prompt = gr.Text(
-                label="Negative prompt",
-                max_lines=1,
-                placeholder="Enter a negative prompt",
-                visible=False,
-            )
-
-            seed = gr.Slider(
-                label="Seed",
-                minimum=0,
-                maximum=MAX_SEED,
-                step=1,
-                value=0,
-            )
-
-            randomize_seed = gr.Checkbox(label="Randomize seed", value=True)
-
-            with gr.Row():
-                width = gr.Slider(
-                    label="Width",
-                    minimum=256,
-                    maximum=MAX_IMAGE_SIZE,
-                    step=32,
-                    value=512,  # Dimensões reduzidas para otimizar
-                )
-
-                height = gr.Slider(
-                    label="Height",
-                    minimum=576,
-                    maximum=MAX_IMAGE_SIZE,
-                    step=32,
-                    value=1024,  # Dimensões reduzidas para otimizar
-                )
-
-            with gr.Row():
-                guidance_scale = gr.Slider(
-                    label="Guidance scale",
-                    minimum=0.0,
-                    maximum=10.0,
-                    step=0.1,
-                    value=7.5,  # Valor adequado para controle
-                )
-
-                num_inference_steps = gr.Slider(
-                    label="Inference steps",
-                    minimum=1,
-                    maximum=30,  # Menos passos para otimizar a velocidade
-                    step=1,
-                    value=20,  # Um valor equilibrado
-                )
-
-        gr.Examples(examples=examples, inputs=[prompt])
-
-    gr.on(
-        triggers=[run_button.click, prompt.submit],
-        fn=infer,
-        inputs=[
-            prompt,
-            negative_prompt,
-            seed,
-            randomize_seed,
-            width,
-            height,
-            guidance_scale,
-            num_inference_steps,
-        ],
-        outputs=[result, seed],
-    )
-
-if __name__ == "__main__":
-    demo.launch()