app.py

#Eine neue Stable Diffusion (SD) Generation kommt mit neuem Tokenizer, mehrsprachiger Unterstützung, längerem Kontext 
#und deutlich besserem Prompt-Verständnis - (Änderung Architektur).
#Eine deutsche Alternative zur Umsetzung von Text-Bild zu Bild ist Flux - mit einer völlig anderen Architektur als SD!
import gradio as gr
from diffusers import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline
from diffusers import StableDiffusionInpaintPipeline
from controlnet_module import controlnet_processor
import torch
from PIL import Image, ImageDraw
import time
import os
import tempfile
import random



# === OPTIMIERTE EINSTELLUNGEN ===
device = "cuda" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if device == "cuda" else torch.float32
IMG_SIZE = 512

print(f"Running on: {device}")

# === GESICHTSMASKEN-FUNKTIONEN ===
def create_face_mask(image, bbox_coords, face_preserve):
    """Erzeugt eine Gesichtsmaske - WEIßE Bereiche werden VERÄNDERT, SCHWARZE BLEIBEN"""
    mask = Image.new("L", image.size, 0)  # Start mit komplett schwarzer Maske (alles geschützt)
    
    if bbox_coords and all(coord is not None for coord in bbox_coords):
        x1, y1, x2, y2 = bbox_coords
        draw = ImageDraw.Draw(mask)
        
        if face_preserve:
            # GESICHTSERHALTUNG: Maske um das Gesicht herum zeichnen
            draw.rectangle([0, 0, image.size[0], image.size[1]], fill=255)  # Alles weiß = verändern
            draw.rectangle([x1, y1, x2, y2], fill=0)  # Gesicht schwarz = geschützt (rechteckig)
            print("Gesicht wird GESCHÜTZT - Umgebung wird verändert (rechteckige Maske)")
        else:
            # NUR GESICHT VERÄNDERN: Nur das Gesicht wird weiß (verändert)
            draw.rectangle([x1, y1, x2, y2], fill=255)  # Gesicht weiß = verändern (rechteckig)
            print("Nur Gesicht wird verändert - Umgebung bleibt erhalten (rechteckige Maske)")
    
    return mask

def auto_detect_face_area(image):
    """Optimierten Vorschlag für Gesichtsbereich ohne externe Bibliotheken"""
    width, height = image.size
    # Größere Bounding Box für bessere Abdeckung (50% statt 40%)
    face_size = min(width, height) * 0.4
    # Verschiebe y1 nach oben, um Stirn und Kinn besser abzudecken
    x1 = (width - face_size) / 2
    y1 = (height - face_size) / 4  # Höher positioniert (25% statt 33%)
    x2 = x1 + face_size
    y2 = y1 + face_size * 1.2  # Leicht länglicher für ovale Gesichter
    # Stelle sicher, dass Koordinaten innerhalb des Bildes liegen
    x1, y1 = max(0, int(x1)), max(0, int(y1))
    x2, y2 = min(width, int(x2)), min(height, int(y2))
    print(f"Geschätzte Gesichtskoordinaten: [{x1}, {y1}, {x2}, {y2}]")
    return [x1, y1, x2, y2]

# === PIPELINES ===
pipe_txt2img = None
pipe_img2img = None

def load_txt2img():
    global pipe_txt2img
    if pipe_txt2img is None:
        print("Loading Text-to-Image model...")
        pipe_txt2img = StableDiffusionPipeline.from_pretrained(
            "runwayml/stable-diffusion-v1-5",
            torch_dtype=torch_dtype,
            use_safetensors=True,
            safety_checker=None,
            requires_safety_checker=False,
            #clean_up_tokenization_spaces=False #bei der neuen Version ändert sich die Architektur, Clip wird ersetzt/erweitert/integriert. Tokenizer nicht mehr nur auf englisch, kein 77-Token Limit!
        ).to(device)
        
        from diffusers import DPMSolverMultistepScheduler
        pipe_txt2img.scheduler = DPMSolverMultistepScheduler.from_config(pipe_txt2img.scheduler.config)
        pipe_txt2img.enable_attention_slicing()
    return pipe_txt2img

def load_img2img():
    global pipe_img2img
    if pipe_img2img is None:
        print("Loading Inpainting model...")
        try:
            pipe_img2img = StableDiffusionInpaintPipeline.from_pretrained(
                "stabilityai/stable-diffusion-2-inpainting",  # Neues Modell
                torch_dtype=torch_dtype,
                use_safetensors=True,  # Erzwinge .safetensors
                allow_pickle=False,    # Verhindere unsichere Serialisierung
                safety_checker=None,
                #clean_up_tokenization_spaces=False #benötigt neue Transformer-Version
            ).to(device)
        except Exception as e:
            print(f"Fehler beim Laden des Modells: {e}")
            raise

        
        from diffusers import DPMSolverMultistepScheduler
        pipe_img2img.scheduler = DPMSolverMultistepScheduler.from_config(
            pipe_img2img.scheduler.config,
            algorithm_type="sde-dpmsolver++",
            use_karras_sigmas=True,
            timestep_spacing="trailing"
        )
        
        pipe_img2img.enable_attention_slicing()
        pipe_img2img.enable_vae_tiling()
        pipe_img2img.vae_slicing = True

    return pipe_img2img

# === NEUE CALLBACK-FUNKTIONEN FÜR FORTSCHRITT (kompatibel mit neuer API) ===
class TextToImageProgressCallback:
    def __init__(self, progress, total_steps):
        self.progress = progress
        self.total_steps = total_steps
        self.current_step = 0
    
    def __call__(self, pipe, step, timestep, callback_kwargs):
        """Neue Callback-Signatur für diffusers >= 1.0.0"""
        self.current_step = step + 1
        progress_percent = (step / self.total_steps) * 100
        self.progress(progress_percent / 100, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
        return callback_kwargs

class ImageToImageProgressCallback:
    def __init__(self, progress, total_steps, strength):
        self.progress = progress
        self.total_steps = total_steps
        self.current_step = 0
        self.strength = strength
        self.actual_total_steps = None

    def __call__(self, pipe, step, timestep, callback_kwargs):
        """Neue Callback-Signatur für diffusers >= 1.0.0"""
        self.current_step = step + 1
    
        # Korrekte Berechnung der tatsächlichen Steps
        if self.actual_total_steps is None:
            # Bei Strength < 1.0 werden weniger Steps verwendet
            if self.strength < 1.0:
                self.actual_total_steps = int(self.total_steps * self.strength)
            else:
                self.actual_total_steps = self.total_steps
            
            print(f"🎯 INTERNE STEP-AUSGABE: Strength {self.strength} → {self.actual_total_steps} tatsächliche Denoising-Schritte")
        
        progress_percent = (step / self.actual_total_steps) * 100
        self.progress(progress_percent / 100, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
        return callback_kwargs

# === FUNKTIONEN ===
def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
    try:
        if not prompt or not prompt.strip():
            return None
            
        print(f"Starting generation for: {prompt}")
        start_time = time.time()
        
        # Statusmeldung anzeigen
        progress(0, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")
        
        pipe = load_txt2img()
        
        # ZUFÄLLIGER SEED für Variation
        seed = random.randint(0, 2**32 - 1)
        generator = torch.Generator(device=device).manual_seed(seed)
        print(f"Using seed: {seed}")
        
        # NEUE Callback-Implementierung
        callback = TextToImageProgressCallback(progress, steps)
        
        image = pipe(
            prompt=prompt,
            height=IMG_SIZE,
            width=IMG_SIZE,
            num_inference_steps=int(steps),
            guidance_scale=guidance_scale,
            generator=generator,
            callback_on_step_end=callback,  # NEUE Parameter-Name
            callback_on_step_end_tensor_inputs=[],  # Keine zusätzlichen Tensor-Inputs
        ).images[0]
        
        end_time = time.time()
        print(f"Bild generiert in {end_time - start_time:.2f} Sekunden")
        
        # Robuste Zwischenspeicherung
        return image
        
    except Exception as e:
        print(f"Fehler: {e}")
        import traceback
        traceback.print_exc()
        return None

def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, face_preserve, bbox_x1, bbox_y1, bbox_x2, bbox_y2, progress=gr.Progress()):
    try:
        if image is None:
            return None

        print(f"Img2Img Start → Strength: {strength}, Steps: {steps}, Guidance: {guidance_scale}")
        print(f"Prompt: {prompt}")
        print(f"Negativ-Prompt: {neg_prompt}")
        print(f"Gesicht beibehalten: {face_preserve}")
        start_time = time.time()

        # Statusmeldung anzeigen zur Zeitüberbrückung - Callback wird erst nach ersten Step aufgerufen!
        progress(0, desc="Generierung läuft - CPU benötigt bis zu 20 Minuten!")

        # --- Progress-Balken zur Überbrückung für 0te Step von CONTROLNET---
        progress(0.05, desc="ControlNet: Pose-Erkennung...")
        
        # Parameter-Tuning für ControlNet (wie in deinem Code)
        adj_strength = min(0.85, strength * 1.3)
        #adj_strength = min(0.85, strength)
        actual_steps_from_strength = int(steps * adj_strength)
        controlnet_steps = min(25, actual_steps_from_strength)
        
        print(f"🎯 ControlNet Step-Kalkulation: UI={steps}, Adj-Strength={adj_strength:.3f}, Echte Steps={actual_steps_from_strength}, ControlNet-Steps={controlnet_steps}")

        # CONTROLNET-STRENGTH BERECHNEN: 50% der Inpaint-Strength
        controlnet_strength = adj_strength * 0.5
        print(f"🎯 ControlNet Step-Kalkulation: UI={steps}, Adj-Strength={adj_strength:.3f}, Echte Steps={actual_steps_from_strength}, ControlNet-Steps={controlnet_steps}")
        print(f"🎯 ControlNet Strength: {controlnet_strength:.3f} (50% von Inpaint-Strength {adj_strength:.3f})")

        
        # ControlNet Modul aufrufen mit Übergabe der Parameter
        controlnet_image = controlnet_processor.generate_with_controlnet(
            image=image,
            prompt=prompt,
            negative_prompt=neg_prompt,
            steps=controlnet_steps,
            guidance_scale=guidance_scale,
            controlnet_strength=controlnet_strength,
            progress=progress
        )
        
        #Progress-Balken zur Überbrückung für 0ten Step von Inpaint
        progress(0.3, desc="ControlNet fertig, starte Inpaint...")

        # --- AB HIER DEIN ORIGINAL-CODE MIT CONTROLNET-BILD ---
        pipe = load_img2img()
        # ControlNet-Bild verwenden statt Original!
        img_resized = controlnet_image.convert("RGB").resize((IMG_SIZE, IMG_SIZE))

        # --- PARAMETER-TUNING ---
        adj_guidance = min(guidance_scale, 12.0)
    
        # ZUFÄLLIGER SEED für Variation
        seed = random.randint(0, 2**32 - 1)
        generator = torch.Generator(device=device).manual_seed(seed)
        print(f"Using seed: {seed}")

        # --- GESICHTSMASKE ---
        mask = None
        bbox_coords = None
        
        if bbox_x1 is not None and bbox_y1 is not None and bbox_x2 is not None and bbox_y2 is not None:
            # Skaliere Koordinaten auf die neue Bildgröße
            orig_width, orig_height = image.size
            scale_x = IMG_SIZE / orig_width
            scale_y = IMG_SIZE / orig_height
            
            scaled_coords = [
                int(bbox_x1 * scale_x),
                int(bbox_y1 * scale_y),
                int(bbox_x2 * scale_x),
                int(bbox_y2 * scale_y)
            ]
            bbox_coords = scaled_coords
            print(f"Skalierte Koordinaten: {scaled_coords}")

        # Maskenlogik basierend auf face_preserve
        if bbox_coords:
            mask = create_face_mask(img_resized, bbox_coords, face_preserve)
            if mask:
                #mask.show()  # Zeigt die Maske zum Überprüfen
                #print(f"Maske Größe: {mask.size}, Bereich: {bbox_coords}")
                print("Maske erfolgreich erstellt")
        else:
            print("Keine gültigen Koordinaten - keine Maske angewendet")
            mask = None

        # Detaillierte Debug-Informationen vor dem Pipeline-Aufruf
        print(f"⚙️  PIPELINE-KONFIGURATION:")
        print(f"   - Angefordert: {int(steps)} Steps")
        print(f"   - Strength: {adj_strength:.3f}")
        print(f"   - Scheduler: {pipe.scheduler.__class__.__name__}")

        print(f"🎯 KORREKTE INTERNE STEP-AUSGABE: {int(steps)} Steps × Strength {adj_strength:.3f} = {actual_steps_from_strength} tatsächliche Schritte")

        # NEUE Callback-Implementierung
        callback = ImageToImageProgressCallback(progress, int(steps), adj_strength)

        # --- PIPELINE-AUFRUF MIT NEUER API ---
        result = pipe(
            prompt=prompt,
            negative_prompt=neg_prompt,
            image=img_resized,  # Jetzt: ControlNet-Bild!
            mask_image=mask,
            strength=adj_strength,
            num_inference_steps=int(steps),
            guidance_scale=adj_guidance,
            generator=generator,
            callback_on_step_end=callback,
            callback_on_step_end_tensor_inputs=[],
        )

        # ZUSÄTZLICHE AUSGABE: Tatsächliche Steps
        try:
            scheduler = pipe.scheduler
            print(f"🔧 SCHEDULER-INFO: {scheduler.__class__.__name__}")
            print(f"📊 TATSÄCHLICHE STEP-KONFIGURATION: {int(steps)} Schritte mit Strength {adj_strength:.3f}")
    
            if hasattr(scheduler, 'timesteps'):
                actual_steps = len(scheduler.timesteps)
                print(f"🎯 BESTÄTIGTE INTERNE STEP-AUSGABE: Scheduler verwendete {actual_steps} tatsächliche Denoising-Schritte")
        
        except Exception as e:
            print(f"⚠️  Konnte Scheduler-Info nicht auslesen: {e}")

        end_time = time.time()
        print(f"Bild transformiert in {end_time - start_time:.2f} Sekunden")
        
        generated_image = result.images[0]

        return generated_image
        
    except Exception as e:
        print(f"Fehler: {e}")
        import traceback
        traceback.print_exc()
        return None


def update_bbox_from_image(image):
    """Aktualisiert die Bounding-Box-Koordinaten wenn ein Bild hochgeladen wird"""
    if image is None:
        return None, None, None, None
    
    bbox = auto_detect_face_area(image)
    return bbox[0], bbox[1], bbox[2], bbox[3]

def main_ui():
    with gr.Blocks(
        title="AI Image Generator", 
        theme=gr.themes.Base(),
        css="""
        .info-box {
            background-color: #f8f4f0; 
            padding: 15px; 
            border-radius: 8px; 
            border-left: 4px solid #8B7355;
            margin: 20px 0;
        }
        .clickable-file {
           color: #1976d2;
           cursor: pointer;
           text-decoration: none;
           font-family: 'Monaco', 'Consolas', monospace;
           background: #e3f2fd;
           padding: 2px 6px;
           border-radius: 4px;
           border: 1px solid #bbdefb;
         }
        .clickable-file:hover {
           background: #bbdefb;
           text-decoration: underline;
         }
        #start-button {
            background-color: #0080FF !important;
            border: none !important;
            margin: 50px auto !important;
            display: block !important;
            font-weight: 600;
            width: 280px;
        }
        #start-button:hover {
            background-color: #D3D3D3 !important;
        }
        .hint-box {
            margin-top: 20px;
        }
        .custom-text {
            font-size: 25px !important;
        }
        .image-upload .svelte-1p4f8co {
            display: block !important;
        }
        """
    ) as demo:

        # --- Info-Bereich (Startseite) ---
        gr.Markdown(
            """
            # Demo-Projekt: Stable Diffusion Text-to-Image / Image-to-Image
            <br>
            
            <div class="info-box">
            Dieses Projekt ist ein kleines <strong>Demo</strong> um meine Fähigkeiten als <strong>AI-Engineer</strong>
            in technischer Kompetenz und selbstständiger Projektstrukturierung zu zeigen.<br>
            Der Fokus liegt auf <strong>Struktur, Konzept und technischer Umsetzung</strong>
            im Bereich Text-to-Image / Image-to-Image mit dem Diffusionsmodell "Stable Diffusion" <br>
            <strong>nicht</strong> auf einer vollständigen Produktionsversion.
            </div>
            <br>
           
            <div class="info-box">
            Zudem führt der Link
            <a class="clickable-file" href="https://huggingface.co/spaces/Astridkraft/Dokumentation" target="_blank">Roadmap</a>
            zu einer <strong>durchdachten, skalierbaren, professionellen Code-Architektur</strong> für Text-to-Image- und Image-to-Image-Entwicklung <br>
            die die <strong>gesamte Komplexität einer professionellen Umsetzung</strong> verdeutlicht.<br><br>     
            Die damit gezeigten Fähigkeiten meinerseits sind <strong>sicherlich auf andere Projekte übertragbar</strong>.
            </div>         
            <br><br>
            
            <div class="info-box">
            <strong>Hinweis:</strong><br>
            Die Anwendung läuft derzeit auf <strong>CPU</strong> ist jedoch <strong>vollständig GPU-fähig </strong>.
            Deshalb muss bei jeder Generierung eine <strong>längere Wartezeit</strong> eingeplant werden.<br>
            Bei <strong>Verbindungsabbrüchen</strong> -insbesondere bei CPU-Nutzung- wird die aktuelle Generierung zunächst serverseitig vollständig abgeschlossen, <br>
            bevor neue Anfragen bearbeitet werden. Das generierte Bild wird in diesem Fall <strong>nicht angezeigt</strong>. 
            Die Meldung <strong>Connection re-established</strong> signalisiert, dass <br>
            die Verbindung wiederhergestellt wurde, die laufende Verarbeitung jedoch priorisiert wird. In der Konsequenz werden neue <br>
            Generierungsanfragen in eine Warteschlange gestellt und erst nach vollständigem Abschluss der aktuellen serverseitigen Berechnung verarbeitet.
            </div>
             <br>
             
            <div class="info-box">
            <strong>Technischer Hintergrund:</strong> <br>
            Es handelt sich um einen bekannten <strong>Gradio-Bug</strong> - das Framework bietet keine Möglichkeit, generierte Bilder zwischenzuspeichern <br>
            um sie bei UI-Neuladung aus dem Zwischenspeicher zurückzugeben. Dies macht sich <strong>besonders bei CPU-Nutzung bemerkbar</strong>, <br>
            da die Transformationszeiten hier deutlich länger sind und es dadurch vermehrt zu Timeouts und daraus resultierenden UI-Abbrüchen kommen kann.<br>
            Aus diesem Grund kann das Ergebnis nicht an die neu geladene Benutzeroberfläche übermittelt werden obwohl die Bildgenerierung serverseitig <br>
            vollständig abgeschlossen wird.
            </div>
            <br>

            <div class="info-box">
            <strong>Anwendungsbereich:</strong><br>
            Die <strong>Bild-zu-Bild-Funktion</strong> ermöglicht eine gezielte Bearbeitung eines <strong>beliebigen Objektes oder Bereiches</strong> in einem Bild.<br>
            Sie unterstützt zwei Modi:<br>
            &nbsp;&nbsp;• <strong>Beibehaltung eines ausgewählten Bildbereiches innerhalb eines Rechtecks</strong> (z. B. Gesicht, Objekt, Tier, Gegenstand) bei Veränderung des Rests,<br>
            &nbsp;&nbsp;• oder <strong>Veränderung des rechteckigen Bildbereiches</strong> bei Erhaltung der Umgebung.<br>
            <br>
            <strong>Wichtig:</strong> Das Objekt das beibehalten oder verändert werden soll - je nach gewähltem Modus - muss <strong>im Prompt</strong> klar beschrieben werden.<br>
            Die Verwendung eines <strong>Negativ-Promptes</strong> ist sinnvoll, um unerwünschte Veränderungen zu vermeiden.
            </div>
            <br>
            
            <div class="info-box">
            <strong>Empfehlung:</strong><br>
            Für eine präzise Abstimmung der zentralen Parameter – Prompt, Negativ-Prompt, Veränderungsstärke (Strength), Inferenz-Schritte (Steps) <br>
            und Prompt-Stärke (Guidance) – liefern leistungsfähige Sprachmodelle wie GPT, Grok oder DeepSeek hochqualitative, kontextbezogene Vorschläge.<br>
            Prompt und Negativ-Prompt sollten auf <strong>Englisch</strong> eingegeben werden, da "Stable Diffusion" mit Bild-Text-Paaren auf Englisch trainiert <br>
            wurde und CLIP einen Tokenizer für ein englisches Vokabular nutzt. Der CLIP-Tokenizer hat außerdem ein <strong>Limit von 77 Token</strong>, wodurch längere <br>
            Prompteingaben automatisch abgeschnitten werden. Deutsche Wörter werden zwar übersetzt, führen aber zu Verzerrungen.
            </div>
            """
        )

        # --- Button zentriert im unteren Drittel, Taupe-Farbe ---
        with gr.Row():
            with gr.Column(scale=1):  # Linker Leerraum
                pass
            with gr.Column(scale=1, min_width=300):  # Mittig, feste Mindestbreite
                start_btn = gr.Button(
                    "Weiter zur Anwendung",
                    variant="primary",
                    size="lg",
                    elem_id="start-button"
                )
            with gr.Column(scale=1):  # Rechter Leerraum
                pass

        # --- Hauptanwendungsbereich (zunächst versteckt) ---
        with gr.Column(visible=False) as content_area:
            with gr.Tab("Text zu Bild"):
                gr.Markdown("**Beschreibe dein gewünschtes Bild (maximal 77 Token):**")
                
                with gr.Row():
                    txt_input = gr.Textbox(
                        placeholder="z.B. ultra realistic mountain landscape at sunrise, soft mist over the valley, detailed foliage, crisp textures, depth of field, sunlight rays through clouds, shot on medium format camera, 8k, HDR, hyper-detailed, natural lighting, masterpiece, Eingabe unten:(Schritt Inferenz:35, Prompt-Stärke:9)",
                        lines=2,
                        label="Prompt (Englisch)",
                        info="Beschreibe detailliert, was du sehen möchtest. Verwende Kommas zur Trennung."
                    )
                
                with gr.Row():
                    with gr.Column():
                        txt_steps = gr.Slider(
                            minimum=10, maximum=100, value=35, step=1,
                            label="Inferenz-Schritte",
                            info="Mehr Schritte = bessere Qualität, aber langsamer (20-50 empfohlen)"
                        )
                    with gr.Column():
                        txt_guidance = gr.Slider(
                            minimum=1.0, maximum=20.0, value=7.5, step=0.5,
                            label="Prompt-Stärke",
                            info="Wie stark der Prompt befolgt wird (7-12 für gute Balance)"
                        )
                
                generate_btn = gr.Button("Bild generieren", variant="primary")
                txt_output = gr.Image(
                    label="Generiertes Bild", 
                    show_download_button=True,
                    type="pil"
                )
                
                generate_btn.click(
                    fn=text_to_image,
                    inputs=[txt_input, txt_steps, txt_guidance],
                    outputs=txt_output,
                    concurrency_limit=1
                )

            with gr.Tab("Bild zu Bild"):
                gr.Markdown("**Lade ein Bild hoch und beschreibe die gewünschte Veränderung:**")
                
                with gr.Row():
                    img_input = gr.Image(
                        type="pil", 
                        label="Eingabebild",
                        height=300,
                        sources=["upload"]  # Nur Upload-Button anzeigen
                    )
                
                with gr.Row():
                    with gr.Column():
                        img_prompt = gr.Textbox(
                            placeholder="change background to beach with palm trees, keep person unchanged, sunny day",
                            lines=2,
                            label="Transformations-Prompt (Englisch - maximal 77 Token)",
                            info="Was soll verändert werden? Sei spezifisch."
                        )
                    with gr.Column():
                        img_neg_prompt = gr.Textbox(
                            placeholder="blurry, deformed, ugly, bad anatomy, extra limbs, poorly drawn hands",
                            lines=2,
                            label="Negativ-Prompt (Englisch - maximal 77 Token)",
                            info="Was soll vermieden werden? Unerwünschte Elemente auflisten."
                        )
                
                with gr.Row():
                    with gr.Column():
                        strength_slider = gr.Slider(
                            minimum=0.1, maximum=0.9, value=0.4, step=0.05,
                            label="Veränderungs-Stärke",
                            info="0.1-0.3: Leichte Anpassungen, 0.4-0.6: Mittlere Veränderungen, 0.7-0.9: Starke Umgestaltung"
                        )
                    with gr.Column():
                        img_steps = gr.Slider(
                            minimum=10, maximum=100, value=35, step=1,
                            label="Inferenz-Schritte",
                            info="Anzahl der Verarbeitungsschritte (25-45 für gute Ergebnisse)"
                        )
                    with gr.Column():
                        img_guidance = gr.Slider(
                            minimum=1.0, maximum=20.0, value=7.5, step=0.5,
                            label="Prompt-Stärke",
                            info="Einfluss des Prompts auf das Ergebnis (6-10 für natürliche Ergebnisse)"
                        )
                
                # GESICHTSOPTIONEN
                with gr.Row():
                    face_preserve = gr.Checkbox(
                        label="Gesicht, Tier, Gegenstand beibehalten", 
                        value=True,
                        info="Aktiviert: Bildelement bleibt erhalten, Hintergrund wird verändert | Deaktiviert: Nur Bildelement wird verändert"
                    )
                
                with gr.Row():
                    gr.Markdown("**Bildelementbereich anpassen**")
                
                with gr.Row():
                    bbox_x1 = gr.Number(
                        label="Links (x1)", 
                        value=100, 
                        precision=0,
                        info="Linke Kante des Gesichtsbereichs"
                    )
                    bbox_y1 = gr.Number(
                        label="Oben (y1)", 
                        value=100, 
                        precision=0,
                        info="Obere Kante des Gesichtsbereichs"
                    )
                    bbox_x2 = gr.Number(
                        label="Rechts (x2)", 
                        value=300, 
                        precision=0,
                        info="Rechte Kante des Gesichtsbereichs"
                    )
                    bbox_y2 = gr.Number(
                        label="Unten (y2)", 
                        value=300, 
                        precision=0,
                        info="Untere Kante des Gesichtsbereichs"
                    )

                with gr.Row():
                   gr.Markdown(
                     "**Achtung:**\n"
                     "• **Automatische Bildelementerkennung** setzt Koordinaten beim Upload\n"  
                     "• **Koordinaten nur bei erkennbaren Verzerrungen anpassen** (Bereiche leicht verschieben)"
                    )
                
                          
                transform_btn = gr.Button("Bild transformieren", variant="primary")
                
                with gr.Row():
                    img_output = gr.Image(
                        label="Transformiertes Bild",
                        show_download_button=True,
                        type="pil"
                    )
                
                # Event-Handler für Bild-Upload
                img_input.change(
                    fn=update_bbox_from_image,
                    inputs=[img_input],
                    outputs=[bbox_x1, bbox_y1, bbox_x2, bbox_y2]
                )
                
                transform_btn.click(
                    fn=img_to_image,
                    inputs=[
                        img_input, img_prompt, img_neg_prompt, 
                        strength_slider, img_steps, img_guidance, 
                        face_preserve, bbox_x1, bbox_y1, bbox_x2, bbox_y2
                    ],
                    outputs=img_output,
                    concurrency_limit=1
                )

        # Sammle alle Info-Komponenten, die versteckt werden sollen
        info_components = []
        for child in demo.children:
            if child != content_area:
                info_components.append(child)

        # Event-Handler für Start-Button
        start_btn.click(
            fn=lambda: gr.update(visible=True),
            inputs=None,
            outputs=content_area
        ).then(
            fn=lambda: [gr.update(visible=False) for _ in info_components],
            inputs=None,
            outputs=info_components
        )

    return demo


if __name__ == "__main__":
    demo = main_ui()
    demo.queue()
    demo.launch(
        server_name="0.0.0.0", 
        server_port=7860,
        max_file_size="10MB",
        show_error=True,
        share=False
    )