Update app.py

app.py

@@ -464,20 +464,25 @@ def load_txt2img(model_id):
             raise
 
 def load_img2img():
-    """Lädt ControlNet-Inpainting-Pipeline"""
+    """Lädt Multi-ControlNet-Inpainting-Pipeline (Pose + Canny)"""
     global pipe_img2img
     if pipe_img2img is None:
-        print("🔄 Lade ControlNet-Inpainting-Modell...")
+        print("🔄 Lade Multi-ControlNet-Inpainting-Modell (OpenPose + Canny)...")
         try:
-            # WICHTIG: Nur EIN ControlNet laden (Canny) für die neue Pipeline
-            controlnet = ControlNetModel.from_pretrained(
+            # LADE BEIDE ControlNet-Modelle
+            controlnet_openpose = ControlNetModel.from_pretrained(
+                "lllyasviel/sd-controlnet-openpose",
+                torch_dtype=torch_dtype
+            )
+            controlnet_canny = ControlNetModel.from_pretrained(
                 "lllyasviel/sd-controlnet-canny",
                 torch_dtype=torch_dtype
             )
             
+            # ÜBERGEBE EINE LISTE an die Pipeline
             pipe_img2img = StableDiffusionControlNetInpaintPipeline.from_pretrained(
                 "runwayml/stable-diffusion-v1-5",
-                controlnet=controlnet,
+                controlnet=[controlnet_openpose, controlnet_canny],  # <-- Liste
                 torch_dtype=torch_dtype,
                 safety_checker=None,
                 requires_safety_checker=False
@@ -490,22 +495,19 @@ def load_img2img():
                 use_karras_sigmas=True,
                 timestep_spacing="trailing"
             )
-            
-            print("✅ DPMSolver++ Multistep Scheduler für ControlNet-Inpainting konfiguriert")
+            print("✅ Multi-ControlNet-Inpainting-Pipeline geladen (OpenPose + Canny)")
             
         except Exception as e:
-            print(f"❌ Fehler beim Laden des ControlNet-Inpainting-Modells: {e}")
+            print(f"❌ Fehler beim Laden der Multi-ControlNet-Inpainting-Pipeline: {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("✅ ControlNet-Inpainting-Modell geladen und optimiert")
+        print("✅ Multi-ControlNet-Inpainting-Pipeline 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.