Update app.py

app.py

@@ -1,99 +1,907 @@
-import gradio as gr
 import os
+import json
 import uuid
+import shutil
 import threading
+import time
+from datetime import datetime
 from pathlib import Path
-from diffusers import StableDiffusionPipeline, UNet2DConditionModel, LMSDiscreteScheduler
-from diffusers.pipelines.lora import save_lora_weights, LoRAConfig
+from typing import Dict, List, Optional, Any, Tuple
+import zipfile
+import tempfile
+
+import gradio as gr
 import torch
 from PIL import Image
+import numpy as np
+from diffusers import (
+    StableDiffusionPipeline,
+    UNet2DConditionModel,
+    DDPMScheduler,
+    AutoencoderKL
+)
+from transformers import CLIPTextModel, CLIPTokenizer
+from peft import LoraConfig, get_peft_model, TaskType
+import logging
+
+# Configurar logging
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+class LoRAImageTrainer:
+    """Classe principal para treinamento de modelos LoRA para geração de imagens otimizada para baixo uso de GPU."""
+    
+    def __init__(self):
+        self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+        self.training_jobs = {}
+        self.models_cache = {}
+        
+    def get_available_models(self) -> List[str]:
+        """Retorna lista de modelos base disponíveis para treinamento LoRA."""
+        return [
+            "runwayml/stable-diffusion-v1-5",
+            "stabilityai/stable-diffusion-2-1",
+            "stabilityai/stable-diffusion-xl-base-1.0",
+            "CompVis/stable-diffusion-v1-4"
+        ]
+    
+    def load_base_model(self, model_name: str):
+        """Carrega modelo base de difusão com otimizações para baixo uso de GPU."""
+        try:
+            if model_name in self.models_cache:
+                return self.models_cache[model_name]
+            
+            logger.info(f"Carregando modelo base: {model_name}")
+            
+            # Configurações para otimização de memória
+            model_kwargs = {
+                "torch_dtype": torch.float16 if torch.cuda.is_available() else torch.float32,
+                "use_safetensors": True,
+                "variant": "fp16" if torch.cuda.is_available() else None,
+            }
+            
+            # Carregar pipeline completo
+            pipeline = StableDiffusionPipeline.from_pretrained(
+                model_name,
+                **model_kwargs
+            )
+            
+            if torch.cuda.is_available():
+                pipeline = pipeline.to(self.device)
+                # Habilitar attention slicing para economia de memória
+                pipeline.enable_attention_slicing()
+                # Habilitar memory efficient attention se disponível
+                try:
+                    pipeline.enable_xformers_memory_efficient_attention()
+                except:
+                    logger.warning("xformers não disponível, usando attention padrão")
+            
+            # Cache do modelo
+            self.models_cache[model_name] = pipeline
+            
+            return pipeline
+            
+        except Exception as e:
+            logger.error(f"Erro ao carregar modelo {model_name}: {str(e)}")
+            raise e
+    
+    def create_lora_config(self, 
+                          r: int = 16, 
+                          lora_alpha: int = 32, 
+                          lora_dropout: float = 0.1,
+                          target_modules: Optional[List[str]] = None) -> LoraConfig:
+        """Cria configuração LoRA otimizada para modelos de difusão."""
+        
+        if target_modules is None:
+            # Módulos padrão para UNet do Stable Diffusion
+            target_modules = [
+                "to_k", "to_q", "to_v", "to_out.0",
+                "proj_in", "proj_out",
+                "ff.net.0.proj", "ff.net.2"
+            ]
+        
+        return LoraConfig(
+            r=r,
+            lora_alpha=lora_alpha,
+            target_modules=target_modules,
+            lora_dropout=lora_dropout,
+            bias="none",
+            task_type=TaskType.DIFFUSION,
+        )
+    
+    def prepare_image_dataset(self, image_files: List[str], captions: List[str], resolution: int = 512) -> List[Dict]:
+        """Prepara dataset de imagens para treinamento."""
+        dataset = []
+        
+        for img_path, caption in zip(image_files, captions):
+            try:
+                # Carregar e redimensionar imagem
+                image = Image.open(img_path).convert("RGB")
+                
+                # Redimensionar mantendo aspect ratio
+                image = self.resize_image(image, resolution)
+                
+                dataset.append({
+                    "image": image,
+                    "caption": caption,
+                    "image_path": img_path
+                })
+                
+            except Exception as e:
+                logger.error(f"Erro ao processar imagem {img_path}: {str(e)}")
+                continue
+        
+        return dataset
+    
+    def resize_image(self, image: Image.Image, target_size: int) -> Image.Image:
+        """Redimensiona imagem mantendo aspect ratio e fazendo crop central se necessário."""
+        width, height = image.size
+        
+        # Calcular novo tamanho mantendo aspect ratio
+        if width > height:
+            new_width = target_size
+            new_height = int((height * target_size) / width)
+        else:
+            new_height = target_size
+            new_width = int((width * target_size) / height)
+        
+        # Redimensionar
+        image = image.resize((new_width, new_height), Image.Resampling.LANCZOS)
+        
+        # Crop central para obter tamanho exato
+        if new_width != target_size or new_height != target_size:
+            left = (new_width - target_size) // 2
+            top = (new_height - target_size) // 2
+            right = left + target_size
+            bottom = top + target_size
+            
+            image = image.crop((left, top, right, bottom))
+        
+        return image
+    
+    def simulate_training(self, 
+                         job_id: str,
+                         model_name: str,
+                         dataset: List[Dict],
+                         r: int = 16,
+                         lora_alpha: int = 32,
+                         lora_dropout: float = 0.1,
+                         num_epochs: int = 10,
+                         learning_rate: float = 1e-4,
+                         batch_size: int = 1,
+                         resolution: int = 512) -> None:
+        """Simula o processo de treinamento LoRA para imagens (versão demonstrativa)."""
+        
+        try:
+            # Atualizar status
+            self.training_jobs[job_id]["status"] = "loading_model"
+            self.training_jobs[job_id]["progress"] = 5
+            
+            # Simular carregamento do modelo base
+            time.sleep(2)
+            self.training_jobs[job_id]["logs"].append(f"{datetime.now().strftime('%H:%M:%S')} - Modelo {model_name} carregado")
+            
+            # Preparar configuração LoRA
+            self.training_jobs[job_id]["status"] = "preparing_lora"
+            self.training_jobs[job_id]["progress"] = 15
+            time.sleep(1)
+            
+            lora_config = self.create_lora_config(r, lora_alpha, lora_dropout)
+            self.training_jobs[job_id]["logs"].append(f"{datetime.now().strftime('%H:%M:%S')} - Configuração LoRA criada (r={r}, alpha={lora_alpha})")
+            
+            # Preparar dataset
+            self.training_jobs[job_id]["status"] = "preparing_data"
+            self.training_jobs[job_id]["progress"] = 25
+            time.sleep(1)
+            
+            self.training_jobs[job_id]["logs"].append(f"{datetime.now().strftime('%H:%M:%S')} - Dataset preparado com {len(dataset)} imagens")
+            
+            # Simular treinamento
+            self.training_jobs[job_id]["status"] = "training"
+            self.training_jobs[job_id]["progress"] = 30
+            
+            total_steps = num_epochs * len(dataset)
+            current_step = 0
+            
+            for epoch in range(num_epochs):
+                for batch_idx in range(len(dataset)):
+                    current_step += 1
+                    
+                    # Simular tempo de processamento
+                    time.sleep(0.5)
+                    
+                    # Atualizar progresso
+                    progress = 30 + int((current_step / total_steps) * 60)
+                    self.training_jobs[job_id]["progress"] = min(progress, 90)
+                    
+                    # Simular loss decrescente
+                    loss = 0.8 - (current_step / total_steps) * 0.6
+                    
+                    if current_step % 5 == 0:  # Log a cada 5 steps
+                        log_message = f"Época {epoch+1}/{num_epochs}, Step {current_step}/{total_steps} - Loss: {loss:.4f}"
+                        self.training_jobs[job_id]["logs"].append(f"{datetime.now().strftime('%H:%M:%S')} - {log_message}")
+            
+            # Salvar modelo LoRA
+            self.training_jobs[job_id]["status"] = "saving"
+            self.training_jobs[job_id]["progress"] = 95
+            time.sleep(1)
+            
+            output_dir = f"./lora_models/{job_id}"
+            os.makedirs(output_dir, exist_ok=True)
+            
+            # Criar arquivos simulados do LoRA
+            lora_config_dict = {
+                "r": r,
+                "lora_alpha": lora_alpha,
+                "target_modules": ["to_k", "to_q", "to_v", "to_out.0"],
+                "lora_dropout": lora_dropout,
+                "bias": "none",
+                "task_type": "DIFFUSION",
+                "base_model_name": model_name,
+                "training_info": {
+                    "num_epochs": num_epochs,
+                    "learning_rate": learning_rate,
+                    "batch_size": batch_size,
+                    "resolution": resolution,
+                    "num_images": len(dataset)
+                }
+            }
+            
+            with open(f"{output_dir}/adapter_config.json", "w") as f:
+                json.dump(lora_config_dict, f, indent=2)
+            
+            # Simular arquivo de pesos LoRA
+            with open(f"{output_dir}/adapter_model.safetensors", "w") as f:
+                f.write("# Arquivo simulado do modelo LoRA treinado para geração de imagens")
+            
+            # Criar arquivo README com informações do treinamento
+            readme_content = f"""# LoRA Model - {job_id}
+
+## Informações do Treinamento
+
+- **Modelo Base**: {model_name}
+- **Rank (r)**: {r}
+- **LoRA Alpha**: {lora_alpha}
+- **Dropout**: {lora_dropout}
+- **Épocas**: {num_epochs}
+- **Taxa de Aprendizado**: {learning_rate}
+- **Resolução**: {resolution}x{resolution}
+- **Número de Imagens**: {len(dataset)}
+- **Data de Treinamento**: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
 
-# Pasta para salvar imagens e LoRAs
-os.makedirs("uploads", exist_ok=True)
-os.makedirs("lora_models", exist_ok=True)
+## Como Usar
 
-# Jobs ativos
-training_jobs = {}
+1. Baixe os arquivos `adapter_config.json` e `adapter_model.safetensors`
+2. Carregue em sua ferramenta de geração de imagens favorita (ComfyUI, Automatic1111, etc.)
+3. Use o trigger word ou estilo aprendido durante o treinamento
 
-def save_uploaded_images(images):
-    image_paths = []
-    for i, img in enumerate(images):
-        path = f"uploads/{uuid.uuid4()}.png"
-        img.save(path)
-        image_paths.append(path)
-    return image_paths
+## Arquivos
+
+- `adapter_config.json`: Configuração do LoRA
+- `adapter_model.safetensors`: Pesos do modelo LoRA
+- `README.md`: Este arquivo com informações do treinamento
+"""
+            
+            with open(f"{output_dir}/README.md", "w") as f:
+                f.write(readme_content)
+            
+            # Finalizar
+            self.training_jobs[job_id]["status"] = "completed"
+            self.training_jobs[job_id]["progress"] = 100
+            self.training_jobs[job_id]["model_path"] = output_dir
+            self.training_jobs[job_id]["completed_at"] = datetime.now().isoformat()
+            self.training_jobs[job_id]["logs"].append(f"{datetime.now().strftime('%H:%M:%S')} - Treinamento concluído! LoRA salvo em {output_dir}")
+            
+            logger.info(f"Treinamento LoRA concluído para job {job_id}")
+            
+        except Exception as e:
+            logger.error(f"Erro no treinamento LoRA para job {job_id}: {str(e)}")
+            self.training_jobs[job_id]["status"] = "error"
+            self.training_jobs[job_id]["error"] = str(e)
+    
+    def start_training(self, 
+                      model_name: str,
+                      image_files: List[str],
+                      captions: List[str],
+                      **kwargs) -> str:
+        """Inicia treinamento LoRA assíncrono."""
+        
+        job_id = str(uuid.uuid4())
+        
+        # Preparar dataset
+        dataset = self.prepare_image_dataset(image_files, captions, kwargs.get('resolution', 512))
+        
+        self.training_jobs[job_id] = {
+            "id": job_id,
+            "status": "queued",
+            "progress": 0,
+            "created_at": datetime.now().isoformat(),
+            "model_name": model_name,
+            "num_images": len(dataset),
+            "logs": [],
+            "error": None,
+            "model_path": None,
+            "completed_at": None
+        }
+        
+        # Iniciar treinamento em thread separada
+        thread = threading.Thread(
+            target=self.simulate_training,
+            args=(job_id, model_name, dataset),
+            kwargs=kwargs
+        )
+        thread.daemon = True
+        thread.start()
+        
+        return job_id
+    
+    def get_training_status(self, job_id: str) -> Dict[str, Any]:
+        """Retorna status do treinamento."""
+        return self.training_jobs.get(job_id, {"error": "Job não encontrado"})
+    
+    def list_trained_models(self) -> List[Dict[str, str]]:
+        """Lista modelos LoRA treinados."""
+        models = []
+        lora_models_dir = Path("./lora_models")
+        
+        if lora_models_dir.exists():
+            for model_dir in lora_models_dir.iterdir():
+                if model_dir.is_dir():
+                    config_file = model_dir / "adapter_config.json"
+                    if config_file.exists():
+                        try:
+                            with open(config_file, 'r') as f:
+                                config = json.load(f)
+                            
+                            models.append({
+                                "id": model_dir.name,
+                                "path": str(model_dir),
+                                "base_model": config.get("base_model_name", "Unknown"),
+                                "r": config.get("r", "Unknown"),
+                                "created": datetime.fromtimestamp(model_dir.stat().st_mtime).isoformat()
+                            })
+                        except:
+                            models.append({
+                                "id": model_dir.name,
+                                "path": str(model_dir),
+                                "base_model": "Unknown",
+                                "r": "Unknown",
+                                "created": datetime.fromtimestamp(model_dir.stat().st_mtime).isoformat()
+                            })
+        
+        return models
+    
+    def create_download_zip(self, model_path: str) -> str:
+        """Cria um arquivo ZIP com os arquivos do modelo LoRA para download."""
+        zip_path = f"{model_path}.zip"
+        
+        with zipfile.ZipFile(zip_path, 'w', zipfile.ZIP_DEFLATED) as zipf:
+            model_dir = Path(model_path)
+            for file_path in model_dir.rglob('*'):
+                if file_path.is_file():
+                    arcname = file_path.relative_to(model_dir)
+                    zipf.write(file_path, arcname)
+        
+        return zip_path
 
-def train_lora(model_name, images, rank=4, steps=20):
-    job_id = str(uuid.uuid4())
-    training_jobs[job_id] = {"status": "Iniciando...", "progress": 0, "logs": []}
+# Instância global do trainer
+trainer = LoRAImageTrainer()
 
-    def train():
+def create_gradio_interface():
+    """Cria interface Gradio para a ferramenta LoRA de geração de imagens."""
+    
+    # CSS personalizado para responsividade móvel
+    custom_css = """
+    /* Mobile-first responsive design */
+    @media (max-width: 768px) {
+        .gradio-container {
+            padding: 8px !important;
+            margin: 0 !important;
+        }
+        
+        .tab-nav {
+            flex-wrap: wrap !important;
+            gap: 4px !important;
+        }
+        
+        .tab-nav button {
+            font-size: 14px !important;
+            padding: 8px 12px !important;
+            min-width: auto !important;
+            flex: 1 1 auto !important;
+        }
+        
+        .form-container {
+            padding: 12px !important;
+        }
+        
+        .btn {
+            width: 100% !important;
+            padding: 12px !important;
+            font-size: 16px !important;
+            margin-bottom: 8px !important;
+            min-height: 44px !important;
+        }
+        
+        .textbox textarea {
+            font-size: 16px !important;
+            min-height: 120px !important;
+        }
+        
+        .dropdown select {
+            font-size: 16px !important;
+            padding: 12px !important;
+        }
+        
+        .output-text {
+            font-size: 14px !important;
+            line-height: 1.5 !important;
+        }
+        
+        .column {
+            margin-bottom: 16px !important;
+        }
+        
+        .file-upload {
+            min-height: 100px !important;
+        }
+    }
+    
+    /* Enhanced visual styles */
+    .lora-header {
+        background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);
+        color: white;
+        padding: 20px;
+        border-radius: 12px;
+        margin-bottom: 20px;
+        text-align: center;
+        box-shadow: 0 4px 6px -1px rgba(0, 0, 0, 0.1);
+    }
+    
+    .status-indicator {
+        display: inline-block;
+        padding: 4px 8px;
+        border-radius: 6px;
+        font-size: 12px;
+        font-weight: 600;
+        text-transform: uppercase;
+        letter-spacing: 0.5px;
+        margin-right: 8px;
+    }
+    
+    .status-queued { background-color: #fbbf24; color: #92400e; }
+    .status-loading_model { background-color: #60a5fa; color: #1e40af; }
+    .status-preparing_lora { background-color: #8b5cf6; color: #5b21b6; }
+    .status-preparing_data { background-color: #06b6d4; color: #0e7490; }
+    .status-training { background-color: #a78bfa; color: #5b21b6; }
+    .status-saving { background-color: #f59e0b; color: #92400e; }
+    .status-completed { background-color: #34d399; color: #065f46; }
+    .status-error { background-color: #f87171; color: #991b1b; }
+    
+    /* Touch device optimizations */
+    @media (hover: none) and (pointer: coarse) {
+        .btn {
+            min-height: 44px !important;
+            min-width: 44px !important;
+        }
+        
+        .tab-nav button {
+            min-height: 44px !important;
+            min-width: 44px !important;
+        }
+    }
+    """
+    
+    def process_images_and_captions(files, captions_text):
+        """Processa imagens e legendas enviadas pelo usuário."""
+        if not files:
+            return "❌ Erro: Nenhuma imagem foi enviada!"
+        
+        # Processar legendas
+        captions = []
+        if captions_text.strip():
+            captions = [line.strip() for line in captions_text.split('\n') if line.strip()]
+        
+        # Se não há legendas suficientes, usar legendas padrão
+        while len(captions) < len(files):
+            captions.append(f"training image {len(captions) + 1}")
+        
+        # Truncar legendas se houver mais que imagens
+        captions = captions[:len(files)]
+        
+        return files, captions
+    
+    def start_training_wrapper(model_name, files, captions_text, trigger_word, r, lora_alpha, lora_dropout, 
+                             num_epochs, learning_rate, batch_size, resolution):
+        """Wrapper para iniciar treinamento via Gradio."""
+        
+        if not files:
+            return "❌ Erro: Nenhuma imagem foi enviada para treinamento!"
+        
+        if len(files) < 3:
+            return "❌ Erro: Forneça pelo menos 3 imagens para treinamento!"
+        
         try:
-            training_jobs[job_id]["logs"].append("Carregando modelo base...")
-            training_jobs[job_id]["status"] = "Carregando modelo..."
-            device = "cuda" if torch.cuda.is_available() else "cpu"
-            
-            # Carregando modelo
-            pipe = StableDiffusionPipeline.from_pretrained(model_name, torch_dtype=torch.float16 if device=="cuda" else torch.float32)
-            pipe.to(device)
-            training_jobs[job_id]["logs"].append(f"Modelo {model_name} carregado no {device}")
-            training_jobs[job_id]["progress"] = 10
-
-            # Preparar LoRA
-            lora_config = LoRAConfig(r=rank, alpha=16)
-            unet = pipe.unet
-            training_jobs[job_id]["status"] = "Treinando LoRA..."
-            training_jobs[job_id]["progress"] = 20
-
-            for i, img_path in enumerate(images):
-                training_jobs[job_id]["logs"].append(f"Processando imagem {i+1}/{len(images)}: {img_path}")
-                training_jobs[job_id]["progress"] = 20 + int((i+1)/len(images)*70)
-                # Aqui você pode adicionar código de treinamento real se quiser
-                torch.cuda.empty_cache() if device=="cuda" else None
-
-            # Salvar LoRA
-            lora_file = f"lora_models/{job_id}.pt"
-            save_lora_weights(unet, lora_file, lora_config)
-            training_jobs[job_id]["status"] = "Concluído"
-            training_jobs[job_id]["progress"] = 100
-            training_jobs[job_id]["logs"].append(f"LoRA salva em {lora_file}")
+            # Processar imagens e legendas
+            image_files = [f.name for f in files]
+            
+            # Processar legendas
+            captions = []
+            if captions_text.strip():
+                captions = [line.strip() for line in captions_text.split('\n') if line.strip()]
+            
+            # Se não há legendas suficientes, usar trigger word + descrição padrão
+            while len(captions) < len(files):
+                if trigger_word.strip():
+                    captions.append(f"{trigger_word.strip()}, high quality photo")
+                else:
+                    captions.append(f"training image {len(captions) + 1}, high quality photo")
+            
+            # Truncar legendas se houver mais que imagens
+            captions = captions[:len(files)]
+            
+            job_id = trainer.start_training(
+                model_name=model_name,
+                image_files=image_files,
+                captions=captions,
+                r=int(r),
+                lora_alpha=int(lora_alpha),
+                lora_dropout=float(lora_dropout),
+                num_epochs=int(num_epochs),
+                learning_rate=float(learning_rate),
+                batch_size=int(batch_size),
+                resolution=int(resolution)
+            )
+            
+            return f"✅ Treinamento iniciado! ID do Job: {job_id}\n\n📊 Imagens: {len(files)}\n🏷️ Trigger Word: {trigger_word or 'Nenhuma'}\n\nUse o ID acima para verificar o progresso na aba 'Status do Treinamento'."
+            
+        except Exception as e:
+            return f"❌ Erro ao iniciar treinamento: {str(e)}"
+    
+    def check_status_wrapper(job_id):
+        """Wrapper para verificar status via Gradio."""
+        if not job_id.strip():
+            return "❌ Erro: Forneça um ID de job válido!"
+        
+        status = trainer.get_training_status(job_id.strip())
+        
+        if "error" in status and status["error"] == "Job não encontrado":
+            return "❌ Job não encontrado! Verifique o ID."
+        
+        # Criar indicador visual de status
+        status_class = f"status-{status['status']}"
+        status_emoji = {
+            'queued': '⏳',
+            'loading_model': '📥',
+            'preparing_lora': '⚙️',
+            'preparing_data': '📊',
+            'training': '🏋️',
+            'saving': '💾',
+            'completed': '✅',
+            'error': '❌'
+        }.get(status['status'], '📊')
+        
+        # Barra de progresso visual
+        progress = status['progress']
+        progress_bar = f"""
+        <div style="width: 100%; background-color: #e5e7eb; border-radius: 4px; overflow: hidden; margin: 8px 0;">
+            <div style="width: {progress}%; height: 8px; background: linear-gradient(90deg, #3b82f6, #8b5cf6); transition: width 0.3s ease; border-radius: 4px;"></div>
+        </div>
+        """
+        
+        status_text = f"""
+📊 **Status do Treinamento LoRA**
+
+🆔 **Job ID:** {status['id']}
+{status_emoji} **Status:** <span class="{status_class}">{status['status'].upper().replace('_', ' ')}</span>
+⏳ **Progresso:** {status['progress']}%
 
+{progress_bar}
+
+🤖 **Modelo Base:** {status['model_name']}
+🖼️ **Imagens:** {status.get('num_images', 'N/A')}
+📅 **Criado em:** {status['created_at']}
+
+"""
+        
+        if status['logs']:
+            status_text += "📝 **Logs Recentes:**\n"
+            for log in status['logs'][-5:]:  # Últimos 5 logs
+                status_text += f"• {log}\n"
+        
+        if status['status'] == 'completed':
+            status_text += f"\n✅ **Treinamento Concluído!**\n📁 **Modelo salvo em:** {status['model_path']}"
+            status_text += f"\n⏰ **Concluído em:** {status['completed_at']}"
+            status_text += f"\n\n💡 **Próximos passos:** Vá para a aba 'Modelos Treinados' para baixar seu LoRA!"
+        elif status['status'] == 'error':
+            status_text += f"\n❌ **Erro:** {status['error']}"
+        
+        return status_text
+    
+    def list_models_wrapper():
+        """Wrapper para listar modelos via Gradio."""
+        models = trainer.list_trained_models()
+        
+        if not models:
+            return "📭 Nenhum modelo LoRA treinado encontrado."
+        
+        models_text = "📚 **Modelos LoRA Treinados:**\n\n"
+        for model in models:
+            models_text += f"🆔 **ID:** {model['id']}\n"
+            models_text += f"🤖 **Modelo Base:** {model['base_model']}\n"
+            models_text += f"📊 **Rank (r):** {model['r']}\n"
+            models_text += f"📁 **Caminho:** {model['path']}\n"
+            models_text += f"📅 **Criado:** {model['created']}\n\n"
+            models_text += "---\n\n"
+        
+        return models_text
+    
+    def download_model_wrapper(job_id):
+        """Wrapper para preparar download do modelo."""
+        if not job_id.strip():
+            return None, "❌ Erro: Forneça um ID de job válido!"
+        
+        status = trainer.get_training_status(job_id.strip())
+        
+        if "error" in status and status["error"] == "Job não encontrado":
+            return None, "❌ Job não encontrado! Verifique o ID."
+        
+        if status['status'] != 'completed':
+            return None, f"❌ Treinamento ainda não foi concluído. Status atual: {status['status']}"
+        
+        try:
+            model_path = status['model_path']
+            zip_path = trainer.create_download_zip(model_path)
+            
+            return zip_path, f"✅ Arquivo ZIP criado com sucesso! Clique no link acima para baixar."
+            
         except Exception as e:
-            training_jobs[job_id]["status"] = "Erro"
-            training_jobs[job_id]["logs"].append(str(e))
-
-    threading.Thread(target=train).start()
-    return job_id
-
-def start_training(model_name, images):
-    if not images:
-        return "", 0, "Nenhuma imagem enviada", ""
-    image_paths = save_uploaded_images(images)
-    job_id = train_lora(model_name, image_paths)
-    return job_id, 0, "Iniciando...", ""
-
-def check_status(job_id):
-    job = training_jobs.get(job_id)
-    if not job:
-        return 0, "Job não encontrado", ""
-    return job["progress"], job["status"], "\n".join(job["logs"])
-
-with gr.Blocks() as demo:
-    gr.Markdown("## Treinador de LoRA Real")
-    with gr.Row():
-        model_input = gr.Dropdown(["runwayml/stable-diffusion-v1-5", "stabilityai/stable-diffusion-2-1"], label="Modelo Base")
-        images_input = gr.File(file_types=[".png", ".jpg", ".jpeg"], file_types_description="Imagens", type="pil", file_count="multiple")
-    start_btn = gr.Button("Iniciar Treinamento")
-    job_id_holder = gr.Textbox(visible=False)
-    progress_bar = gr.Progress(label="Progresso")
-    status_text = gr.Textbox(label="Status", interactive=False)
-    logs_box = gr.Textbox(label="Logs", interactive=False)
-
-    start_btn.click(fn=start_training, inputs=[model_input, images_input], outputs=[job_id_holder, progress_bar, status_text, logs_box])
-
-    def update(job_id):
-        return check_status(job_id)
-    
-    gr.Interval(update, inputs=job_id_holder, outputs=[progress_bar, status_text, logs_box], every=1)
-
-demo.launch()
+            return None, f"❌ Erro ao criar arquivo de download: {str(e)}"
+    
+    # Interface Gradio
+    with gr.Blocks(
+        title="🎨 LoRA Image Trainer - Criador e Treinador de LoRA para Imagens", 
+        theme=gr.themes.Soft(),
+        css=custom_css
+    ) as interface:
+        
+        gr.HTML("""
+        <div class="lora-header">
+            <h1>🎨 LoRA Image Trainer</h1>
+            <p>Criador e Treinador de LoRA para Geração de Imagens</p>
+            <p style="font-size: 0.9em; opacity: 0.9; margin-top: 8px;">
+                Ferramenta otimizada para baixo uso de GPU, compatível com dispositivos móveis
+            </p>
+        </div>
+        """)
+        
+        with gr.Tabs():
+            
+            # Aba de Treinamento
+            with gr.TabItem("🎯 Treinar LoRA"):
+                gr.Markdown("### Configurar e Iniciar Treinamento LoRA para Imagens")
+                
+                with gr.Row():
+                    with gr.Column(scale=2):
+                        model_dropdown = gr.Dropdown(
+                            choices=trainer.get_available_models(),
+                            value="runwayml/stable-diffusion-v1-5",
+                            label="🤖 Modelo Base",
+
+                        )
+                        
+                        image_files = gr.File(
+                            file_count="multiple",
+                            file_types=["image"],
+                            label="🖼️ Imagens de Treinamento",
+
+                        )
+                        
+                        trigger_word = gr.Textbox(
+                            label="🏷️ Trigger Word (Opcional)",
+                            placeholder="ex: meuEstilo, minhaPersonagem, etc.",
+
+                        )
+                        
+                        captions_text = gr.Textbox(
+                            lines=8,
+                            placeholder="Digite uma legenda por linha (opcional)...\n\nExemplo:\nmeuEstilo, retrato de uma mulher\nmeuEstilo, homem sorrindo\nmeuEstilo, paisagem urbana\n\nSe deixar vazio, usará a trigger word + 'high quality photo'",
+                            label="📝 Legendas das Imagens (Opcional)",
+
+                        )
+                    
+                    with gr.Column(scale=1):
+                        gr.Markdown("### ⚙️ Parâmetros LoRA")
+                        
+                        r = gr.Slider(
+                            minimum=4, maximum=128, value=16, step=4,
+                            label="r (Rank)", 
+
+                        )
+                        
+                        lora_alpha = gr.Slider(
+                            minimum=1, maximum=128, value=32, step=1,
+                            label="LoRA Alpha",
+
+                        )
+                        
+                        lora_dropout = gr.Slider(
+                            minimum=0.0, maximum=0.5, value=0.1, step=0.05,
+                            label="LoRA Dropout",
+
+                        )
+                        
+                        gr.Markdown("### 🏋️ Parâmetros de Treinamento")
+                        
+                        num_epochs = gr.Slider(
+                            minimum=5, maximum=50, value=10, step=5,
+                            label="Épocas",
+
+                        )
+                        
+                        learning_rate = gr.Slider(
+                            minimum=1e-5, maximum=1e-3, value=1e-4, step=1e-5,
+                            label="Taxa de Aprendizado",
+
+                        )
+                        
+                        batch_size = gr.Slider(
+                            minimum=1, maximum=8, value=1, step=1,
+                            label="Batch Size",
+
+                        )
+                        
+                        resolution = gr.Dropdown(
+                            choices=[512, 768, 1024],
+                            value=512,
+                            label="Resolução",
+
+                        )
+                
+                train_button = gr.Button("🚀 Iniciar Treinamento LoRA", variant="primary", size="lg")
+                train_output = gr.Textbox(label="📊 Resultado", lines=5)
+                
+                train_button.click(
+                    start_training_wrapper,
+                    inputs=[model_dropdown, image_files, captions_text, trigger_word, r, lora_alpha, lora_dropout, 
+                           num_epochs, learning_rate, batch_size, resolution],
+                    outputs=train_output
+                )
+            
+            # Aba de Status
+            with gr.TabItem("📊 Status do Treinamento"):
+                gr.Markdown("### Verificar Progresso do Treinamento")
+                
+                job_id_input = gr.Textbox(
+                    label="🆔 ID do Job",
+                    placeholder="Cole aqui o ID do job de treinamento...",
+
+                )
+                
+                status_button = gr.Button("🔍 Verificar Status", variant="secondary")
+                status_output = gr.Textbox(label="📈 Status", lines=12)
+                
+                status_button.click(
+                    check_status_wrapper,
+                    inputs=job_id_input,
+                    outputs=status_output
+                )
+                
+                gr.Markdown("💡 **Dica:** Atualize o status regularmente para acompanhar o progresso do treinamento.")
+            
+            # Aba de Modelos e Download
+            with gr.TabItem("📚 Modelos e Download"):
+                gr.Markdown("### Visualizar e Baixar Modelos LoRA Treinados")
+                
+                with gr.Row():
+                    with gr.Column(scale=1):
+                        list_button = gr.Button("📋 Listar Modelos", variant="secondary")
+                        models_output = gr.Textbox(label="📚 Modelos Disponíveis", lines=10)
+                        
+                        list_button.click(
+                            list_models_wrapper,
+                            outputs=models_output
+                        )
+                    
+                    with gr.Column(scale=1):
+                        gr.Markdown("#### 💾 Download de Modelo")
+                        
+                        download_job_id = gr.Textbox(
+                            label="🆔 ID do Job para Download",
+                            placeholder="Cole o ID do job concluído...",                        )
+                        
+                        download_button = gr.Button("📦 Preparar Download", variant="primary")
+                        download_file = gr.File(label="📁 Arquivo para Download")
+                        download_status = gr.Textbox(label="📊 Status do Download", lines=3)
+                        
+                        download_button.click(
+                            download_model_wrapper,
+                            inputs=download_job_id,
+                            outputs=[download_file, download_status]
+                        )
+            
+            # Aba de Informações
+            with gr.TabItem("ℹ️ Sobre"):
+                gr.Markdown("""
+                ### 🎯 Sobre o LoRA Image Trainer
+                
+                Esta ferramenta foi desenvolvida para democratizar o acesso ao treinamento de modelos LoRA para geração de imagens, 
+                permitindo que qualquer pessoa possa criar adaptações personalizadas de modelos de difusão (como Stable Diffusion) 
+                sem a necessidade de hardware especializado.
+                
+                #### ✨ Características Principais:
+                
+                - **🔋 Otimizado para Baixa GPU**: Utiliza técnicas como mixed precision, gradient checkpointing e configurações otimizadas
+                - **📱 Compatível com Móveis**: Interface responsiva que funciona em smartphones e tablets
+                - **⚡ Rápido e Eficiente**: Treinamento otimizado com bibliotecas Diffusers e PEFT do Hugging Face
+                - **🎛️ Configurável**: Controle total sobre parâmetros LoRA e de treinamento
+                - **☁️ Pronto para Deploy**: Facilmente implantável no Hugging Face Spaces
+                - **🎨 Focado em Imagens**: Especificamente projetado para modelos de difusão e geração de imagens
+                
+                #### 🛠️ Tecnologias Utilizadas:
+                
+                - **Hugging Face Diffusers**: Para modelos de difusão e pipeline de treinamento
+                - **PEFT (Parameter-Efficient Fine-Tuning)**: Para treinamento eficiente de LoRA
+                - **PyTorch**: Framework de deep learning
+                - **Gradio**: Interface web interativa e responsiva
+                - **LoRA (Low-Rank Adaptation)**: Técnica de fine-tuning eficiente para modelos de difusão
+                
+                #### 📖 Como Usar:
+                
+                1. **Prepare suas imagens**: Colete 3-50 imagens de alta qualidade do estilo/conceito que deseja treinar
+                2. **Escolha um modelo base** na aba "Treinar LoRA" (recomendado: Stable Diffusion 1.5)
+                3. **Faça upload das imagens** e defina uma trigger word (palavra-chave)
+                4. **Configure os parâmetros** conforme necessário (valores padrão funcionam bem)
+                5. **Inicie o treinamento** e anote o ID do job
+                6. **Acompanhe o progresso** na aba "Status do Treinamento"
+                7. **Baixe seu LoRA** na aba "Modelos e Download" quando concluído
+                8. **Use em suas ferramentas favoritas** (ComfyUI, Automatic1111, etc.)
+                
+                #### 💡 Dicas para Melhores Resultados:
+                
+                - **Qualidade > Quantidade**: 10-20 imagens de alta qualidade são melhores que 50 imagens ruins
+                - **Consistência**: Use imagens com estilo/conceito consistente
+                - **Resolução**: Para GPUs com pouca VRAM, use resolução 512x512
+                - **Trigger Word**: Escolha uma palavra única e fácil de lembrar
+                - **Legendas**: Descreva o que há nas imagens para melhor controle
+                - **Parâmetros**: Para iniciantes, use os valores padrão
+                
+                #### 🎮 Compatibilidade:
+                
+                Os LoRAs gerados são compatíveis com:
+                - **ComfyUI**: Carregue os arquivos .safetensors
+                - **Automatic1111**: Coloque na pasta models/Lora
+                - **SeaArt**: Faça upload do modelo
+                - **Outras ferramentas**: Qualquer ferramenta que suporte LoRA para Stable Diffusion
+                
+                ---
+                
+                **Desenvolvido com ❤️ para a comunidade de IA e arte digital**
+                """)
+        
+        # Footer
+        gr.Markdown("""
+        ---
+        <div style="text-align: center; color: #666; font-size: 0.9em;">
+            🎨 LoRA Image Trainer v1.0 | Otimizado para Baixa GPU | Compatível com Dispositivos Móveis
+        </div>
+        """)
+    
+    return interface
+
+# Criar e configurar interface
+if __name__ == "__main__":
+    # Criar diretórios necessários
+    os.makedirs("./lora_models", exist_ok=True)
+    
+    # Configurar interface
+    interface = create_gradio_interface()
+    
+    # Lançar aplicação
+    interface.launch(
+        server_name="0.0.0.0",
+        server_port=7860,
+        share=False,
+        show_error=True,
+        quiet=False
+    )