app.py

import gradio as gr
import numpy as np
import torch
import re
from diffusers import DiffusionPipeline, StableDiffusionControlNetPipeline, ControlNetModel
from peft import PeftModel

# Устройство и тип данных
device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

# Регулярное выражение для проверки корректности модели
VALID_REPO_ID_REGEX = re.compile(r"^[a-zA-Z0-9._\-]+/[a-zA-Z0-9._\-]+$")

def is_valid_repo_id(repo_id):
    return bool(VALID_REPO_ID_REGEX.match(repo_id)) and not repo_id.endswith(('-', '.'))

# Базовые константы
MAX_SEED = np.iinfo(np.int32).max
MAX_IMAGE_SIZE = 1024

# Изначально загружаем модель по умолчанию (без ControlNet)
model_repo_id = "CompVis/stable-diffusion-v1-4"
pipe = DiffusionPipeline.from_pretrained(model_repo_id, torch_dtype=torch_dtype, safety_checker=None).to(device)

# Попытка подгрузить LoRA-модификации (unet + text_encoder)
try:
    pipe.unet = PeftModel.from_pretrained(pipe.unet, "./unet")
    pipe.text_encoder = PeftModel.from_pretrained(pipe.text_encoder, "./text_encoder")
except Exception as e:
    print(f"Не удалось подгрузить LoRA по умолчанию: {e}")

def infer(
    model,
    prompt,
    negative_prompt,
    seed,
    width,
    height,
    guidance_scale,
    num_inference_steps,
    use_controlnet,
    control_strength,
    controlnet_mode,
    controlnet_image,
    use_ip_adapter,
    ip_adapter_scale,
    ip_adapter_image,
    progress=gr.Progress(track_tqdm=True),
):
    """
    Функция генерации с дополнительными опциями:
      - Если use_controlnet==True, загружается pipeline с ControlNet.
      - В зависимости от controlnet_mode выбирается модель контроля.
      - Если use_ip_adapter==True, к pipeline добавляется IP-Adapter с указанным масштабом.
    """
    global model_repo_id, pipe

    # Если пользователь ввёл другой идентификатор модели, пробуем его загрузить
    if model != model_repo_id:
        if not is_valid_repo_id(model):
            raise gr.Error(f"Некорректный идентификатор модели: '{model}'. Проверьте название.")
        try:
            new_pipe = DiffusionPipeline.from_pretrained(model, torch_dtype=torch_dtype).to(device)
            # Подгружаем LoRA для нового пайплайна
            try:
                new_pipe.unet = PeftModel.from_pretrained(new_pipe.unet, "./unet")
                new_pipe.text_encoder = PeftModel.from_pretrained(new_pipe.text_encoder, "./text_encoder")
            except Exception as e:
                raise gr.Error(f"Не удалось подгрузить LoRA: {e}")
            pipe = new_pipe
            model_repo_id = model
        except Exception as e:
            raise gr.Error(f"Не удалось загрузить модель '{model}'.\nОшибка: {e}")

    generator = torch.Generator(device=device).manual_seed(seed)

    # Если включён ControlNet, создаём новый pipeline с ним
    if use_controlnet:
        # Выбираем модель ControlNet в зависимости от режима
        if controlnet_mode == "edge_detection":
            controlnet = ControlNetModel.from_pretrained(
                "lllyasviel/sd-controlnet-canny",
                cache_dir="./models_cache",
                torch_dtype=torch_dtype
            )
        elif controlnet_mode == "pose_estimation":
            controlnet = ControlNetModel.from_pretrained(
                "lllyasviel/sd-controlnet-openpose",
                cache_dir="./models_cache",
                torch_dtype=torch_dtype
            )
        else:
            # По умолчанию используем edge_detection
            controlnet = ControlNetModel.from_pretrained(
                "lllyasviel/sd-controlnet-canny",
                cache_dir="./models_cache",
                torch_dtype=torch_dtype
            )
        try:
            # Создаем pipeline с ControlNet
            pipeline = StableDiffusionControlNetPipeline.from_pretrained(
                model,
                torch_dtype=torch_dtype,
                controlnet=controlnet,
                safety_checker=None
            ).to(device)
        except Exception as e:
            raise gr.Error(f"Ошибка при создании ControlNet pipeline: {e}")

        # Подгружаем LoRA для нового pipeline
        try:
            pipeline.unet = PeftModel.from_pretrained(pipeline.unet, "./unet")
            pipeline.text_encoder = PeftModel.from_pretrained(pipeline.text_encoder, "./text_encoder")
        except Exception as e:
            print(f"Не удалось подгрузить LoRA в ControlNet pipeline: {e}")

        # Если включён IP-Adapter, загружаем его
        if use_ip_adapter:
            try:
                pipeline.load_ip_adapter("h94/IP-Adapter", subfolder="models", weight_name="ip-adapter-plus_sd15.bin")
                pipeline.set_ip_adapter_scale(ip_adapter_scale)
            except Exception as e:
                raise gr.Error(f"Ошибка при загрузке IP-Adapter: {e}")

        # Пытаемся сгенерировать изображение через pipeline с ControlNet
        try:
            image = pipeline(
                prompt=prompt,
                negative_prompt=negative_prompt,
                guidance_scale=guidance_scale,
                num_inference_steps=num_inference_steps,
                width=width,
                height=height,
                generator=generator,
                image=controlnet_image,  # изображение, загруженное пользователем для ControlNet
                controlnet_conditioning_scale=float(control_strength),
                ip_adapter_image=ip_adapter_image if use_ip_adapter else None,
            ).images[0]
        except Exception as e:
            raise gr.Error(f"Ошибка при генерации изображения через ControlNet pipeline: {e}")

    else:
        # Если ControlNet не включён, используем базовый pipeline
        pipeline = pipe
        # Если включён IP-Adapter, загружаем его в базовый pipeline
        if use_ip_adapter:
            try:
                pipeline.load_ip_adapter("h94/IP-Adapter", subfolder="models", weight_name="ip-adapter-plus_sd15.bin")
                pipeline.set_ip_adapter_scale(ip_adapter_scale)
            except Exception as e:
                raise gr.Error(f"Ошибка при загрузке IP-Adapter: {e}")
        try:
            image = pipeline(
                prompt=prompt,
                negative_prompt=negative_prompt,
                guidance_scale=guidance_scale,
                num_inference_steps=num_inference_steps,
                width=width,
                height=height,
                generator=generator,
                ip_adapter_image=ip_adapter_image if use_ip_adapter else None,
            ).images[0]
        except Exception as e:
            raise gr.Error(f"Ошибка при генерации изображения: {e}")

    return image, seed

# Примеры для тестирования
examples = [
    "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k",
    "An astronaut riding a green horse",
    "A delicious ceviche cheesecake slice",
]

# Дополнительный CSS для оформления
css = """
#col-container {
    margin: 0 auto;
    max-width: 640px;
}
"""

# Создаём Gradio-приложение
with gr.Blocks(css=css) as demo:
    with gr.Column(elem_id="col-container"):
        gr.Markdown("# Text-to-Image App with Control Options")
        
        # Поле для ввода/смены модели
        model = gr.Textbox(
            label="Model",
            value="CompVis/stable-diffusion-v1-4",
            interactive=True
        )

        # Основные поля для Prompt и Negative Prompt
        prompt = gr.Text(
            label="Prompt",
            show_label=False,
            max_lines=1,
            placeholder="Enter your prompt",
            container=False,
        )
        negative_prompt = gr.Text(
            label="Negative prompt",
            max_lines=1,
            placeholder="Enter a negative prompt",
            visible=True,
        )

        # Слайдер для выбора seed
        seed = gr.Slider(
            label="Seed",
            minimum=0,
            maximum=MAX_SEED,
            step=1,
            value=42,
        )

        # Слайдеры для guidance_scale и num_inference_steps
        guidance_scale = gr.Slider(
            label="Guidance scale",
            minimum=0.0,
            maximum=10.0,
            step=0.1,
            value=7.0,
        )
        num_inference_steps = gr.Slider(
            label="Number of inference steps",
            minimum=1,
            maximum=50,
            step=1,
            value=20,
        )

        # Кнопка запуска
        run_button = gr.Button("Run", variant="primary")
        # Поле для отображения результата
        result = gr.Image(label="Result", show_label=False)

        # Продвинутые настройки
        with gr.Accordion("Advanced Settings", open=False):
            with gr.Row():
                width = gr.Slider(
                    label="Width",
                    minimum=256,
                    maximum=MAX_IMAGE_SIZE,
                    step=32,
                    value=512,
                )
                height = gr.Slider(
                    label="Height",
                    minimum=256,
                    maximum=MAX_IMAGE_SIZE,
                    step=32,
                    value=512,
                )

        # Дополнительные настройки для ControlNet
        with gr.Accordion("ControlNet Settings", open=False):
            use_controlnet = gr.Checkbox(label="Enable ControlNet", value=False)
            control_strength = gr.Slider(label="ControlNet Conditioning Scale", minimum=0.0, maximum=2.0, step=0.1, value=0.9)
            controlnet_mode = gr.Dropdown(label="ControlNet Mode", choices=["edge_detection", "pose_estimation"], value="edge_detection")
            controlnet_image = gr.Image(label="Upload ControlNet Image", type="pil")
        
        # Дополнительные настройки для IP-Adapter
        with gr.Accordion("IP-Adapter Settings", open=False):
            use_ip_adapter = gr.Checkbox(label="Enable IP-Adapter", value=False)
            ip_adapter_scale = gr.Slider(label="IP-Adapter Scale", minimum=0.0, maximum=2.0, step=0.1, value=0.6)
            ip_adapter_image = gr.Image(label="Upload IP-Adapter Image", type="pil")

        # Примеры
        gr.Examples(examples=examples, inputs=[prompt])

        # Связываем кнопку "Run" с функцией "infer" и передаём все необходимые параметры
        run_button.click(
            infer,
            inputs=[
                model,
                prompt,
                negative_prompt,
                seed,
                width,
                height,
                guidance_scale,
                num_inference_steps,
                use_controlnet,
                control_strength,
                controlnet_mode,
                controlnet_image,
                use_ip_adapter,
                ip_adapter_scale,
                ip_adapter_image,
            ],
            outputs=[result, seed],
        )

# Запуск приложения
if __name__ == "__main__":
    demo.launch()