Update app.py

app.py

@@ -104,8 +104,8 @@ def load_img2img():
 
     return pipe_img2img
 
-# === CALLBACK-FUNKTION FÜR FORTSCHRITT ===
-class ProgressCallback:
+# === CALLBACK-FUNKTIONEN FÜR FORTSCHRITT ===
+class TextToImageProgressCallback:
     def __init__(self, progress, total_steps):
         self.progress = progress
         self.total_steps = total_steps
@@ -114,10 +114,35 @@ class ProgressCallback:
     def __call__(self, step, timestep, latents):
         self.current_step = step + 1
         progress_percent = (step / self.total_steps) * 100
-        #self.progress(progress_percent / 100, desc=f"Transformation läuft... {progress_percent:.1f}%")
         self.progress(progress_percent / 100, desc="Generierung läuft - CPU benötigt bis zu 6 Minuten!")
         return False
 
+class ImageToImageProgressCallback:
+    def __init__(self, progress, total_steps):
+        self.progress = progress
+        self.total_steps = total_steps
+        self.current_step = 0
+        self.actual_total_steps = None  # Neue Variable für tatsächliche Steps
+    
+    def __call__(self, step, timestep, latents):
+        self.current_step = step + 1
+        
+        # ERGÄNZUNG: Tatsächliche Gesamtschritte aus dem Scheduler lesen
+        if self.actual_total_steps is None:
+            # Versuche, die tatsächliche Schrittanzahl zu ermitteln
+            try:
+                # Der Scheduler hat normalerweise config.num_train_timesteps oder ähnliches
+                self.actual_total_steps = self.total_steps
+                print(f"🎯 INTERNE STEP-AUSGABE: Scheduler führt {self.actual_total_steps} Schritte durch")
+            except:
+                self.actual_total_steps = self.total_steps
+                print(f"🎯 INTERNE STEP-AUSGABE: Verwende konfigurierte {self.total_steps} Schritte")
+        
+        progress_percent = (step / self.total_steps) * 100
+        # AUSGABE ZEILE - Hier werden die Steps ausgegeben:
+        self.progress(progress_percent / 100, desc=f"Schritt {self.current_step}/{self.total_steps} - {progress_percent:.1f}%")
+        return False
+
 # === FUNKTIONEN ===
 def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
     try:
@@ -138,7 +163,7 @@ def text_to_image(prompt, steps, guidance_scale, progress=gr.Progress()):
         print(f"Using seed: {seed}")
         
         # Progress Callback hinzufügen
-        callback = ProgressCallback(progress, steps)
+        callback = TextToImageProgressCallback(progress, steps)
         
         image = pipe(
             prompt=prompt,
@@ -216,8 +241,20 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             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}")
+        print(f"   - Scheduler: {pipe.scheduler.__class__.__name__}")
+
+        # Berechne die tatsächlichen Steps basierend auf Strength
+        if hasattr(pipe.scheduler, 'config') and hasattr(pipe.scheduler.config, 'num_train_timesteps'):
+            total_train_steps = pipe.scheduler.config.num_train_timesteps
+            actual_inference_steps = int(adj_strength * total_train_steps)
+            print(f"🎯 INTERNE STEP-AUSGABE: Strength {adj_strength} → {actual_inference_steps} tatsächliche Denoising-Schritte")
+
         # Progress Callback hinzufügen
-        callback = ProgressCallback(progress, int(steps))
+        callback = ImageToImageProgressCallback(progress, int(steps))
 
         # --- PIPELINE-AUFRUF ---
         result = pipe(
@@ -232,6 +269,21 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             callback=callback,
             callback_steps=1
         )
+
+        # ZUSÄTZLICHE AUSGABE: Tatsächliche Steps vom Scheduler
+        try:
+            # Der Scheduler hat Informationen über die tatsächliche Schrittanzahl
+            scheduler = pipe.scheduler
+            print(f"🔧 SCHEDULER-INFO: {scheduler.__class__.__name__}")
+            print(f"📊 TATSÄCHLICHE STEP-KONFIGURATION: {int(steps)} Schritte mit Strength {adj_strength}")
+            
+            # Bei einigen Schedulern kann man die Timesteps sehen
+            if hasattr(scheduler, 'timesteps'):
+                actual_steps = len(scheduler.timesteps)
+                print(f"🎯 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")
@@ -346,7 +398,7 @@ def main_ui():
             <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>
+            Prompt und Negativ-Prompt sollten auf <strong>Englisch</strong> eingegeben werden, da "Stable Diffusion" mit Bild-Text-Paares auf Englisch trainiert <br>
             wurde und CLIP einen Tokenizer für ein englisches Vokabular nutzt. Deutsche Wörter werden zwar übersetzt, führen aber zu Verzerrungen.
             </div>
             """