Update app.py

app.py

@@ -1,13 +1,12 @@
 import gradio as gr
-from diffusers import StableDiffusionPipeline, StableDiffusionInpaintPipeline
+from diffusers import StableDiffusionPipeline, StableDiffusionImg2ImgPipeline
+from diffusers import StableDiffusionInpaintPipeline
 import torch
 from PIL import Image, ImageDraw
 import time
 import os
 import tempfile
 import random
-import numpy as np  # Neu für DeepFace
-from deepface import DeepFace  # Neu für präzise Gesichtsdetektion
 
 # === OPTIMIERTE EINSTELLUNGEN ===
 device = "cuda" if torch.cuda.is_available() else "cpu"
@@ -16,6 +15,7 @@ IMG_SIZE = 512
 
 print(f"Running on: {device}")
 
+
 # === GESICHTSMASKEN-FUNKTIONEN ===
 def create_face_mask(image, bbox_coords):
     """Erzeugt eine Gesichtsmaske - WEIßE Bereiche werden VERÄNDERT, SCHWARZE BLEIBEN"""
@@ -38,49 +38,20 @@ def create_face_mask(image, bbox_coords):
     return mask
 
 def auto_detect_face_area(image):
-    """Präzise Gesichtsdetektion mit DeepFace, Fallback auf grobe Schätzung"""
-    try:
-        # Konvertiere PIL-Image zu NumPy-Array (DeepFace benötigt das)
-        img_array = np.array(image.convert("RGB"))
-        
-        # Detektiere Gesichter mit DeepFace
-        face_objs = DeepFace.extract_faces(
-            img_path=img_array,
-            detector_backend="retinaface",  # Genau, aber CUDA-kompatibel
-            align=False  # Kein Alignment nötig, nur Bounding Box
-        )
-        
-        if not face_objs:
-            print("⚠️ Kein Gesicht erkannt - Fallback auf grobe Schätzung")
-            # Fallback auf alte Methode
-            width, height = image.size
-            face_size = min(width, height) * 0.4
-            x1 = (width - face_size) / 2
-            y1 = (height - face_size) / 3
-            x2 = x1 + face_size
-            y2 = y1 + face_size
-            return [int(x1), int(y1), int(x2), int(y2)]
-        
-        # Nimm das erste (größte) Gesicht
-        facial_area = face_objs[0]["facial_area"]
-        x1 = facial_area["x"]
-        y1 = facial_area["y"]
-        x2 = x1 + facial_area["w"]
-        y2 = y1 + facial_area["h"]
-        
-        print(f"✅ Gesicht erkannt: [{x1}, {y1}, {x2}, {y2}]")
-        return [int(x1), int(y1), int(x2), int(y2)]
-    
-    except Exception as e:
-        print(f"❌ Fehler bei Gesichtsdetektion: {e}")
-        # Fallback auf alte Methode
-        width, height = image.size
-        face_size = min(width, height) * 0.4
-        x1 = (width - face_size) / 2
-        y1 = (height - face_size) / 3
-        x2 = x1 + face_size
-        y2 = y1 + face_size
-        return [int(x1), int(y1), int(x2), int(y2)]
+    """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
@@ -109,16 +80,17 @@ def load_img2img():
         print("Loading Inpainting model...")
         try:
             pipe_img2img = StableDiffusionInpaintPipeline.from_pretrained(
-                "stabilityai/stable-diffusion-2-inpainting",
+                "stabilityai/stable-diffusion-2-inpainting",  # Neues Modell
                 torch_dtype=torch_dtype,
-                use_safetensors=True,
-                allow_pickle=False,
+                use_safetensors=True,  # Erzwinge .safetensors
+                allow_pickle=False,    # Verhindere unsichere Serialisierung
                 safety_checker=None
             ).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,
@@ -224,7 +196,7 @@ def img_to_image(image, prompt, neg_prompt, strength, steps, guidance_scale, fac
             prompt=prompt,
             negative_prompt=neg_prompt,
             image=img_resized,
-            mask_image=mask,
+            mask_image=mask,  # None = gesamtes Bild verändern
             strength=adj_strength,
             num_inference_steps=int(steps),
             guidance_scale=adj_guidance,