Update app.py

app.py

@@ -3,8 +3,6 @@ import torch
 from diffusers import DiffusionPipeline
 from datasets import load_dataset
 from PIL import Image
-import albumentations as A
-from albumentations.pytorch import ToTensorV2
 import numpy as np
 import os
 
@@ -59,42 +57,6 @@ dataset_descriptions = [
 ]
 
 
-# Criar transformações usando Albumentations
-albumentations_transform = A.Compose([
-    A.Resize(512, 512),  # Redimensionar para o tamanho desejado
-    A.HorizontalFlip(p=0.5),  # Flip horizontal com probabilidade de 50%
-    A.RandomBrightnessContrast(p=0.2),  # Ajuste de brilho e contraste
-    A.GaussNoise(var_limit=(10.0, 50.0), p=0.3),  # Adicionar ruído gaussiano
-])
-
-# Caminho temporário para salvar imagens transformadas
-transformed_images_dir = "./transformed_images"
-os.makedirs(transformed_images_dir, exist_ok=True)
-
-# Aplicar transformações no dataset
-def apply_transformations(example, idx):
-    # Verificar se a imagem é um objeto PIL ou caminho
-    if isinstance(example["image"], Image.Image):
-        image = example["image"]  # Imagem já está carregada
-    else:
-        image = Image.open(example["image"]).convert("RGB")  # Caso seja um caminho
-
-    # Converter imagem para numpy array
-    image_np = np.array(image)
-
-    # Aplicar Albumentations
-    transformed = albumentations_transform(image=image_np)
-    transformed_image = transformed["image"]
-
-    # Converter de volta para PIL
-    transformed_image_pil = Image.fromarray(transformed_image)
-
-    # Salvar imagem transformada em uma pasta local
-    transformed_path = os.path.join(transformed_images_dir, f"transformed_{idx}.png")
-    transformed_image_pil.save(transformed_path)
-
-    return {"image": transformed_path}
-
 
 # Mapear transformações no dataset
 dataset = dataset.map(apply_transformations, with_indices=True)