Delete generate_images.py

generate_images.py

@@ -1,72 +0,0 @@
-
-from diffusers import StableDiffusionPipeline
-import torch
-from tensorflow.keras.applications.inception_v3 import InceptionV3, preprocess_input
-from scipy.stats import entropy
-import numpy as np
-from PIL import Image
-import torchvision.transforms as transforms
-
-# Cargar el modelo de Stable Diffusion preentrenado
-pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
-pipe.to("cuda")  # Usar GPU
-
-# Función para generar varias imágenes del mismo prompt
-def generate_images(prompt, num_images=5):
-    images = []
-    for _ in range(num_images):
-        image = pipe(prompt).images[0]
-        images.append(image)
-    return images
-
-# Generar múltiples imágenes desde el mismo prompt
-prompt = "A red apple on a wooden table"
-generated_images = generate_images(prompt, num_images=10)
-
-# Convertir imágenes a un formato compatible con el modelo InceptionV3 (299x299, 3 canales)
-def preprocess_images(images):
-    transform = transforms.Compose([
-        transforms.Resize((299, 299)),
-        transforms.ToTensor()
-    ])
-    processed_images = [transform(image) for image in images]
-    processed_images = torch.stack(processed_images).numpy()
-
-    # Reordenar los ejes de (batch, channels, height, width) a (batch, height, width, channels)
-    processed_images = np.transpose(processed_images, (0, 2, 3, 1))
-
-    return processed_images
-
-processed_images = preprocess_images(generated_images)
-
-# Cargar el modelo preentrenado de InceptionV3
-inception_model = InceptionV3(include_top=True, weights='imagenet')
-
-# Función para calcular el Inception Score
-def inception_score(images, num_splits=10):
-    # Preprocesar las imágenes para InceptionV3
-    processed_images = preprocess_input(images)
-
-    # Obtener las predicciones del modelo InceptionV3
-    preds = inception_model.predict(processed_images)
-
-    # Calcular la distribución marginal
-    p_y = np.mean(preds, axis=0)
-
-    # Calcular la KL divergencia para cada imagen
-    kl_divs = [entropy(pred, p_y) for pred in preds]
-
-    # Promediar los puntajes de KL y calcular el exponente
-    avg_kl_div = np.mean(kl_divs)
-    inception_score = np.exp(avg_kl_div)
-
-    return inception_score
-
-# Calcular el Inception Score para las imágenes generadas desde el mismo prompt
-score = inception_score(processed_images)
-print(f"Inception Score: {score}")
-
-# Opcional: Guardar las imágenes generadas
-for i, image in enumerate(generated_images):
-    image.save(f"generated_image_{i}.png")
-    print(f"La imagen ha sido guardada como 'generated_image_{i}.png'.")