Update api/seedvr_server.py

api/seedvr_server.py

@@ -3,74 +3,31 @@
 import os
 import sys
 import shutil
+import mimetypes
 import time
-import subprocess
-import multiprocessing as mp
-import queue
+import subprocess # Necessário para clonar o repositório na configuração inicial
 from pathlib import Path
 from typing import Optional, Callable
 from types import SimpleNamespace
 
-# --- Importações diretas de bibliotecas e do repositório SeedVR ---
-import torch
-import cv2
-import numpy as np
 from huggingface_hub import hf_hub_download
 
-# Adiciona o caminho do repositório para importar os módulos do 'src'
+# Adiciona dinamicamente o caminho do repositório clonado ao sys.path.
+# Isso é crucial para que a importação do 'inference_cli' funcione.
 SEEDVR_REPO_PATH = Path(os.getenv("SEEDVR_ROOT", "/data/SeedVR"))
 if str(SEEDVR_REPO_PATH) not in sys.path:
+    # Insere no início da lista para garantir prioridade de importação.
     sys.path.insert(0, str(SEEDVR_REPO_PATH))
 
+# Tenta importar as funções necessárias APÓS a modificação do path.
+# Se falhar, a aplicação não pode continuar.
 try:
-    from src.core.generation import generation_loop
-    from src.core.model_manager import configure_runner
-    from src.utils.downloads import download_weight
+    from inference_cli import run_inference_logic, save_frames_to_video
 except ImportError as e:
-    print(f"ERRO FATAL: Não foi possível importar os módulos do SeedVR a partir de '{SEEDVR_REPO_PATH}'.")
+    print(f"ERRO FATAL: Não foi possível importar de 'inference_cli.py'.")
+    print(f"Verifique se o repositório em '{SEEDVR_REPO_PATH}' está correto e completo.")
     raise e
 
-# --- Função do Worker (definida fora da classe para ser 'picklable' pelo multiprocessing) ---
-
-def _worker_entry_point(proc_idx, device_id, frames_np, shared_args, return_queue, progress_queue=None):
-    """
-    Ponto de entrada para cada processo filho (worker).
-    Esta função executa em um processo separado e em uma GPU designada.
-    """
-    os.environ["CUDA_VISIBLE_DEVICES"] = str(device_id)
-    os.environ.setdefault("PYTORCH_CUDA_ALLOC_CONF", "backend:cudaMallocAsync")
-
-    # Imports são feitos aqui para garantir um ambiente limpo para cada processo
-    import torch
-    
-    frames_tensor = torch.from_numpy(frames_np).to(torch.float16)
-    
-    local_progress_callback = None
-    if progress_queue:
-        def callback_wrapper(batch_idx, total_batches, current_frames, message):
-            progress_queue.put((proc_idx, batch_idx, total_batches, message))
-        local_progress_callback = callback_wrapper
-
-    try:
-        # Cada worker configura seu próprio 'runner' para sua GPU
-        runner = configure_runner(shared_args["model"], shared_args["model_dir"], shared_args["preserve_vram"], shared_args["debug"])
-        
-        result_tensor = generation_loop(
-            runner=runner, images=frames_tensor, cfg_scale=shared_args["cfg_scale"],
-            seed=shared_args["seed"], res_w=shared_args["res_w"], batch_size=shared_args["batch_size"],
-            preserve_vram=shared_args["preserve_vram"], temporal_overlap=shared_args["temporal_overlap"],
-            debug=shared_args["debug"],
-            progress_callback=local_progress_callback 
-        )
-        return_queue.put((proc_idx, result_tensor.cpu().numpy()))
-    except Exception as e:
-        import traceback
-        error_msg = f"ERROR in worker {proc_idx}: {e}\n{traceback.format_exc()}"
-        print(error_msg)
-        if progress_queue: progress_queue.put((proc_idx, -1, -1, error_msg))
-        return_queue.put((proc_idx, error_msg))
-
-
 class SeedVRServer:
     def __init__(self, **kwargs):
         """
@@ -84,12 +41,12 @@ class SeedVRServer:
         self.REPO_URL = os.getenv("SEEDVR_GIT_URL", "https://github.com/numz/ComfyUI-SeedVR2_VideoUpscaler")
         self.NUM_GPUS_TOTAL = int(os.getenv("NUM_GPUS", "4"))
         
-        print("🚀 SeedVRServer (Arquitetura Integrada) inicializando...")
+        print("🚀 SeedVRServer (Modo de Chamada Direta) inicializando...")
         for p in [self.CKPTS_ROOT, self.OUTPUT_ROOT, self.INPUT_ROOT, self.HF_HOME_CACHE]:
             p.mkdir(parents=True, exist_ok=True)
         
         self.setup_dependencies()
-        print("✅ SeedVRServer (Arquitetura Integrada) pronto.")
+        print("✅ SeedVRServer (Modo de Chamada Direta) pronto.")
 
     def setup_dependencies(self):
         """ Garante que o repositório e os modelos estão presentes. """
@@ -100,6 +57,7 @@ class SeedVRServer:
         """ Clona o repositório do SeedVR se ele não existir. """
         if not (self.SEEDVR_ROOT / ".git").exists():
             print(f"[SeedVRServer] Clonando repositório para {self.SEEDVR_ROOT}...")
+            # Usamos subprocess.run aqui porque é uma tarefa de inicialização única.
             subprocess.run(["git", "clone", "--depth", "1", self.REPO_URL, str(self.SEEDVR_ROOT)], check=True)
         else:
             print("[SeedVRServer] Repositório SeedVR já existe.")
@@ -121,135 +79,65 @@ class SeedVRServer:
                     cache_dir=str(self.HF_HOME_CACHE), token=os.getenv("HF_TOKEN")
                 )
         print("[SeedVRServer] Checkpoints (FP16) estão no local correto.")
-
-    def run_inference(
+        
+    def run_inference_direct(
         self,
         file_path: str, *,
         seed: int, res_h: int, res_w: int, sp_size: int,
         fps: Optional[float] = None, progress: Optional[Callable] = None
     ) -> str:
         """
-        Método público principal para executar a inferência.
+        Executa a inferência diretamente no mesmo processo e retorna o caminho do arquivo de saída.
         """
+        # Cria um diretório de saída único para salvar o resultado.
         out_dir = self.OUTPUT_ROOT / f"run_{int(time.time())}_{Path(file_path).stem}"
         out_dir.mkdir(parents=True, exist_ok=True)
         output_filepath = out_dir / f"result_{Path(file_path).stem}.mp4"
 
+        # Simula o objeto 'args' que a função de lógica do inference_cli espera.
+        # Usamos SimpleNamespace para criar um objeto simples com atributos.
+        args = SimpleNamespace(
+            video_path=file_path,
+            output=str(output_filepath),
+            model_dir=str(self.CKPTS_ROOT),
+            seed=seed,
+            resolution=res_h, # O script do SeedVR usa a altura (lado menor) como referência.
+            batch_size=sp_size,
+            model="seedvr2_ema_3b_fp16.safetensors",
+            preserve_vram=True,
+            debug=True, # Mantém o debug ativo para logs detalhados.
+            cuda_device=",".join(map(str, range(self.NUM_GPUS_TOTAL))),
+            skip_first_frames=0,
+            load_cap=0,
+            output_format='video' # Garante que sempre gere vídeo
+        )
+
         try:
-            if progress: progress(0.05, "Extracting frames...")
-            frames_tensor, original_fps = self._extract_frames(file_path, debug=True)
-            
-            if progress: progress(0.1, "Starting parallel processing...")
+            # Informa a UI que o processo começou.
+            if progress:
+                progress(0.01, "Initializing...")
             
-            # Chama o método de processamento paralelo
-            result_tensor = self._process_in_parallel(
-                frames_tensor=frames_tensor,
-                seed=seed, resolution=res_h, batch_size=sp_size,
-                progress_callback=progress
-            )
+            # Chama a função importada do script original, passando o callback de progresso.
+            # Este callback será chamado de dentro da lógica de multi-processamento.
+            result_tensor, original_fps, _, _ = run_inference_logic(args, progress_callback=progress)
             
-            if progress: progress(0.95, "Saving the final video...")
+            # Informa a UI que a inferência terminou e o salvamento vai começar.
+            if progress:
+                progress(0.95, "Saving the final video...")
+
+            # Define o FPS final: usa o valor da UI ou o original do vídeo de entrada.
             final_fps = fps if fps and fps > 0 else original_fps
-            self._save_video(result_tensor, str(output_filepath), final_fps, debug=True)
+            save_frames_to_video(result_tensor, str(output_filepath), final_fps, args.debug)
             
             print(f"✅ Video saved successfully to: {output_filepath}")
+            
+            # Retorna o caminho do arquivo gerado para a UI.
             return str(output_filepath)
             
         except Exception as e:
-            print(f"❌ Error during inference execution: {e}")
+            print(f"❌ Error during direct inference execution: {e}")
             import traceback
             traceback.print_exc()
+            # Propaga o erro para a UI do Gradio, que o exibirá de forma amigável.
             raise
-
-    def _extract_frames(self, video_path: str, debug: bool = False):
-        """Método privado para extrair quadros de um vídeo."""
-        # (Este é o código da função extract_frames_from_video, agora como um método de classe)
-        if debug: print(f"🎬 Extracting frames from video: {video_path}")
-        if not os.path.exists(video_path): raise FileNotFoundError(f"Video file not found: {video_path}")
-        cap = cv2.VideoCapture(video_path)
-        if not cap.isOpened(): raise ValueError(f"Cannot open video file: {video_path}")
-        fps = cap.get(cv2.CAP_PROP_FPS)
-        frames = []
-        while True:
-            ret, frame = cap.read()
-            if not ret: break
-            frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
-            frame = frame.astype(np.float32) / 255.0
-            frames.append(frame)
-        cap.release()
-        if not frames: raise ValueError(f"No frames extracted from video: {video_path}")
-        return torch.from_numpy(np.stack(frames)).to(torch.float16), fps
-
-    def _save_video(self, frames_tensor: torch.Tensor, output_path: str, fps: float, debug: bool = False):
-        """Método privado para salvar um tensor de quadros em um arquivo de vídeo."""
-        # (Este é o código da função save_frames_to_video, agora como um método de classe)
-        if debug: print(f"🎬 Saving {frames_tensor.shape[0]} frames to video: {output_path}")
-        os.makedirs(os.path.dirname(output_path), exist_ok=True)
-        frames_np = (frames_tensor.cpu().numpy() * 255.0).astype(np.uint8)
-        _, H, W, _ = frames_np.shape
-        fourcc = cv2.VideoWriter_fourcc(*'mp4v')
-        out = cv2.VideoWriter(output_path, fourcc, fps, (W, H))
-        for frame in frames_np:
-            out.write(cv2.cvtColor(frame, cv2.COLOR_RGB2BGR))
-        out.release()
-        if debug: print(f"✅ Video saved successfully: {output_path}")
-
-    def _process_in_parallel(self, frames_tensor: torch.Tensor, seed: int, resolution: int, batch_size: int, progress_callback: Optional[Callable] = None):
-        """
-        Método privado que gerencia a lógica de multiprocessamento.
-        """
-        device_list = list(range(self.NUM_GPUS_TOTAL))
-        num_devices = len(device_list)
-        chunks = torch.chunk(frames_tensor, num_devices, dim=0)
-
-        manager = mp.Manager()
-        return_queue = manager.Queue()
-        progress_queue = manager.Queue() if progress_callback else None
-        workers = []
-
-        shared_args = {
-            "model": "seedvr2_ema_3b_fp16.safetensors", "model_dir": str(self.CKPTS_ROOT),
-            "preserve_vram": True, "debug": True, "cfg_scale": 1.0,
-            "seed": seed, "res_w": resolution, "batch_size": batch_size, "temporal_overlap": 0,
-        }
-
-        for idx, device_id in enumerate(device_list):
-            p = mp.Process(target=_worker_entry_point, args=(idx, device_id, chunks[idx].cpu().numpy(), shared_args, return_queue, progress_queue))
-            p.start()
-            workers.append(p)
-
-        results_np = [None] * num_devices
-        finished_workers_count = 0
-        worker_progress = [0.0] * num_devices
-        
-        while finished_workers_count < num_devices:
-            if progress_queue:
-                while not progress_queue.empty():
-                    try:
-                        proc_idx, batch_idx, total_batches, message = progress_queue.get_nowait()
-                        if batch_idx == -1: raise RuntimeError(f"Worker {proc_idx} error: {message}")
-                        if total_batches > 0: worker_progress[proc_idx] = batch_idx / total_batches
-                        total_progress = sum(worker_progress) / num_devices
-                        progress_callback(total_progress, desc=f"GPU {proc_idx+1}/{num_devices}: {message}")
-                    except queue.Empty:
-                        break
-
-            try:
-                proc_idx, result = return_queue.get(timeout=0.2)
-                if isinstance(result, str) and result.startswith("ERROR"):
-                     raise RuntimeError(f"Worker {proc_idx} failed: {result}")
-                results_np[proc_idx] = result
-                worker_progress[proc_idx] = 1.0
-                finished_workers_count += 1
-                if progress_callback:
-                    total_progress = sum(worker_progress) / num_devices
-                    progress_callback(total_progress, desc=f"GPU {proc_idx+1}/{num_devices}: Completed!")
-            except queue.Empty:
-                pass
-
-        for p in workers: p.join()
-
-        if any(r is None for r in results_np):
-            raise RuntimeError("One or more workers failed to return a result.")
-
-        return torch.from_numpy(np.concatenate(results_np, axis=0)).to(torch.float16)
+