restore old version

main.py

@@ -24,7 +24,6 @@ try:
     import sys
     sys.path.append('../submodules/RoMa') # Ajusta esta ruta si es necesario
     from romatch import roma_indoor
-    import trimesh # <-- AÑADIDO: Importación necesaria para la conversión
 except ImportError as e:
     print(f"Error: No se pudieron importar los módulos del proyecto EDGS. Asegúrate de que las rutas y la instalación son correctas. {e}")
     sys.exit(1)
@@ -33,12 +32,15 @@ except ImportError as e:
 # 1. Inicialización de la App FastAPI
 app = FastAPI(
     title="EDGS Training API",
-    description="Una API para preprocesar videos, entrenar modelos 3DGS con EDGS y exportar a GLB.",
-    version="1.1.0"
+    description="Una API para preprocesar videos y entrenar modelos 3DGS con EDGS.",
+    version="1.0.0"
 )
 
 # 2. Variables Globales y Almacenamiento de Estado
+# El modelo se cargará en el evento 'startup'
 roma_model = None 
+
+# Base de datos en memoria para gestionar el estado de las tareas entre endpoints
 tasks_db = {} 
 
 # 3. Modelos Pydantic para la validación de datos
@@ -50,20 +52,11 @@ class PreprocessResponse(BaseModel):
     task_id: str
     message: str
     selected_frames_count: int
+    # Opcional: podrías devolver las imágenes en base64 si el cliente las necesita visualizar
+    # frames: list[str] 
 
 # --- Lógica de Negocio (Adaptada del script de Gradio) ---
 
-def convert_ply_to_glb(ply_path: str) -> str:
-    """
-    Carga el PLY con trimesh y lo exporta como GLB (glTF binario).
-    """
-    # Generar ruta .glb basada en .ply
-    glb_path = os.path.splitext(ply_path)[0] + ".glb"
-    # Cargar y exportar
-    mesh = trimesh.load(ply_path, force='mesh')
-    mesh.export(glb_path)
-    return glb_path
-
 # Esta función se ejecutará en un hilo separado para no bloquear el servidor
 def run_preprocessing_sync(input_path: str, num_ref_views: int):
     """
@@ -87,10 +80,12 @@ def run_preprocessing_sync(input_path: str, num_ref_views: int):
 
 async def training_log_generator(scene_dir: str, num_ref_views: int, params: TrainParams, task_id: str):
     """
-    Un generador asíncrono que ejecuta el entrenamiento y la conversión a GLB.
+    Un generador asíncrono que ejecuta el entrenamiento. Los logs detallados se muestran
+    en la terminal del servidor, mientras que el cliente recibe un stream de progreso simple.
     """
     def training_pipeline():
         try:
+            # La inicialización y configuración de Hydra se mantienen igual
             with initialize(config_path="./configs", version_base="1.1"):
                 cfg = compose(config_name="train")
 
@@ -123,30 +118,32 @@ async def training_log_generator(scene_dir: str, num_ref_views: int, params: Tra
             trainer.evaluate_iterations = []
             trainer.timer.start()
 
+            # Mensaje de progreso para el cliente antes de la inicialización
             yield "data: Inicializando modelo...\n\n"
             trainer.init_with_corr(cfg.init_wC, roma_model=roma_model)
 
+            # El bucle de entrenamiento principal
             for step in range(int(params.num_steps // 10)):
                 cfg.train.gs_epochs = 10
+                # trainer.train() ahora imprimirá sus logs detallados directamente en la terminal
                 trainer.train(cfg.train)
+                
+                # --- CAMBIO CLAVE ---
+                # Envía un mensaje de progreso simple al cliente en lugar de los logs capturados.
                 yield f"data: Progreso: {step*10+10}/{params.num_steps} pasos completados.\n\n"
             
             trainer.save_model()
             ply_path = os.path.join(cfg.gs.dataset.model_path, f"point_cloud/iteration_{trainer.gs_step}/point_cloud.ply")
             
-            # --- CAMBIO CLAVE: Conversión a GLB y almacenamiento de ambas rutas ---
-            yield "data: Convirtiendo modelo a formato GLB...\n\n"
-            glb_path = convert_ply_to_glb(ply_path)
-
             tasks_db[task_id]['result_ply_path'] = ply_path
-            tasks_db[task_id]['result_glb_path'] = glb_path
-            
-            final_message = "Entrenamiento y conversión completados. El modelo está listo para descargar."
+
+            final_message = "Entrenamiento completado. El modelo está listo para descargar."
             yield f"data: {final_message}\n\n"
 
         except Exception as e:
             yield f"data: ERROR: {repr(e)}\n\n"
             
+    # El bucle que llama a la pipeline se mantiene igual
     training_gen = training_pipeline()
     for log_message in training_gen:
         yield log_message
@@ -186,22 +183,24 @@ async def preprocess_video(
     if not video.filename.lower().endswith(('.mp4', '.avi', '.mov')):
         raise HTTPException(status_code=400, detail="Formato de archivo no soportado. Usa .mp4, .avi, o .mov.")
 
+    # Guarda el video temporalmente para que la librería pueda procesarlo
     with tempfile.NamedTemporaryFile(delete=False, suffix=video.filename) as tmp_video:
         shutil.copyfileobj(video.file, tmp_video)
         tmp_video_path = tmp_video.name
     
     try:
         loop = asyncio.get_running_loop()
+        # Ejecuta la función síncrona y bloqueante en un executor para no bloquear el servidor
         scene_dir, selected_frames = await loop.run_in_executor(
             None, run_preprocessing_sync, tmp_video_path, num_ref_views
         )
         
+        # Genera un ID único para esta tarea y guarda la ruta
         task_id = str(uuid.uuid4())
         tasks_db[task_id] = {
             "scene_dir": scene_dir,
             "num_ref_views": len(selected_frames),
-            "result_ply_path": None,
-            "result_glb_path": None # <-- AÑADIDO: Inicializar ruta GLB
+            "result_ply_path": None
         }
         
         return JSONResponse(
@@ -215,15 +214,17 @@ async def preprocess_video(
     except Exception as e:
         raise HTTPException(status_code=500, detail=f"Error durante el preprocesamiento: {e}")
     finally:
-        os.unlink(tmp_video_path)
+        os.unlink(tmp_video_path) # Limpia el archivo de video temporal
+
 
 @app.post("/train/{task_id}")
 async def train_model(task_id: str, params: TrainParams):
     """
-    Inicia el entrenamiento para una tarea preprocesada. Devuelve un stream de logs.
+    Inicia el entrenamiento para una tarea preprocesada.
+    Devuelve un stream de logs en tiempo real.
     """
     if task_id not in tasks_db:
-        raise HTTPException(status_code=404, detail="Task ID no encontrado. Ejecuta el preprocesamiento primero.")
+        raise HTTPException(status_code=404, detail="Task ID no encontrado. Por favor, ejecuta el preprocesamiento primero.")
     
     task_info = tasks_db[task_id]
     scene_dir = task_info["scene_dir"]
@@ -234,7 +235,7 @@ async def train_model(task_id: str, params: TrainParams):
         media_type="text/event-stream"
     )
 
-@app.get("/download-ply/{task_id}")
+@app.get("/download/{task_id}")
 async def download_ply_file(task_id: str):
     """
     Permite descargar el archivo .ply resultante de un entrenamiento completado.
@@ -246,42 +247,20 @@ async def download_ply_file(task_id: str):
     ply_path = task_info.get("result_ply_path")
 
     if not ply_path:
-        raise HTTPException(status_code=404, detail="El entrenamiento no ha finalizado o el archivo PLY aún no está disponible.")
+        raise HTTPException(status_code=404, detail="El entrenamiento no ha finalizado o el archivo aún no está disponible.")
 
     if not os.path.exists(ply_path):
-        raise HTTPException(status_code=500, detail="Error: El archivo del modelo PLY no se encuentra en el servidor.")
+        raise HTTPException(status_code=500, detail="Error: El archivo del modelo no se encuentra en el servidor.")
 
+    # Generamos un nombre de archivo amigable para el usuario
     file_name = f"model_{task_id[:8]}.ply"
+
     return FileResponse(
         path=ply_path,
         media_type='application/octet-stream',
         filename=file_name
     )
 
-@app.get("/download-glb/{task_id}")
-async def download_glb_file(task_id: str):
-    """
-    Permite descargar el archivo .glb resultante de un entrenamiento completado.
-    """
-    if task_id not in tasks_db:
-        raise HTTPException(status_code=404, detail="Task ID no encontrado.")
-    
-    task_info = tasks_db[task_id]
-    glb_path = task_info.get("result_glb_path")
-
-    if not glb_path:
-        raise HTTPException(status_code=404, detail="El entrenamiento no ha finalizado o el archivo GLB aún no está disponible.")
-
-    if not os.path.exists(glb_path):
-        raise HTTPException(status_code=500, detail="Error: El archivo del modelo GLB no se encuentra en el servidor.")
-
-    file_name = f"model_{task_id[:8]}.glb"
-    return FileResponse(
-        path=glb_path,
-        media_type='model/gltf-binary',
-        filename=file_name
-    )
-
 if __name__ == "__main__":
     import uvicorn
     # Para ejecutar: uvicorn main:app --reload