Update app.py

app.py

@@ -463,32 +463,49 @@ def load_txt2img(model_id):
             print(f"❌ Auch Fallback fehlgeschlagen: {fallback_error}")
             raise
 
-
 def load_img2img():
+    """Lädt ControlNet-Inpainting-Pipeline"""
     global pipe_img2img
     if pipe_img2img is None:
         print("🔄 Lade ControlNet-Inpainting-Modell...")
-        # Hier müssen die ControlNet-Modelle geladen werden
-        controlnet = ControlNetModel.from_pretrained("lllyasviel/sd-controlnet-canny", torch_dtype=torch_dtype)
-        # Oder für Multi-ControlNet: eine Liste von Modellen
-        
-        pipe_img2img = StableDiffusionControlNetInpaintPipeline.from_pretrained(
-            "runwayml/stable-diffusion-v1-5",
-            controlnet=controlnet,
-            torch_dtype=torch_dtype,
-            safety_checker=None,
-        ).to(device)
-        # ... Rest Ihrer Konfiguration (Scheduler, etc.)
-    return pipe_img2img
-
+        try:
+            # WICHTIG: Nur EIN ControlNet laden (Canny) für die neue Pipeline
+            controlnet = ControlNetModel.from_pretrained(
+                "lllyasviel/sd-controlnet-canny",
+                torch_dtype=torch_dtype
+            )
+            
+            pipe_img2img = StableDiffusionControlNetInpaintPipeline.from_pretrained(
+                "runwayml/stable-diffusion-v1-5",
+                controlnet=controlnet,
+                torch_dtype=torch_dtype,
+                safety_checker=None,
+                requires_safety_checker=False
+            ).to(device)
+            
+            # Scheduler konfigurieren (Ihre bestehende Logik)
+            pipe_img2img.scheduler = DPMSolverMultistepScheduler.from_config(
+                pipe_img2img.scheduler.config,
+                algorithm_type="sde-dpmsolver++",
+                use_karras_sigmas=True,
+                timestep_spacing="trailing"
+            )
+            
+            print("✅ DPMSolver++ Multistep Scheduler für ControlNet-Inpainting konfiguriert")
+            
+        except Exception as e:
+            print(f"❌ Fehler beim Laden des ControlNet-Inpainting-Modells: {e}")
+            raise
 
+        # Optimierungen
         pipe_img2img.enable_attention_slicing()
         pipe_img2img.enable_vae_tiling()
         if hasattr(pipe_img2img, 'vae_slicing'):
             pipe_img2img.vae_slicing = True
-        print("✅ Inpainting-Modell geladen und optimiert")
+        print("✅ ControlNet-Inpainting-Modell geladen und optimiert")
 
     return pipe_img2img
+
     
 #Die Callback-Funktion wird von der Pipeline nach jedem Verarbeitungsschritt aufgerufen und erhält Informationen 
 #wie den aktuellen step und timestep. Diese nutzt der Progressbalken-Callback, um den Fortschritt zu berechnen und anzuzeigen.