src/streamlit_app.py

import streamlit as st
import os
import torch
from diffusers import StableDiffusionInstructPix2PixPipeline
from PIL import Image
import tempfile
import time
import requests
from io import BytesIO
import shutil

# Configuration de la page
st.set_page_config(
    page_title="Image Editor",
    page_icon="🎨",
    layout="wide"
)

# Titre et description
st.title("🎨 Image Editor (InstructPix2Pix)")
st.markdown("Éditez vos images en utilisant des prompts textuels avec le modèle InstructPix2Pix")

# Configuration du cache pour éviter les problèmes de permissions
def setup_cache_directory():
    """Configure un répertoire de cache accessible en écriture"""
    try:
        # Essayer d'utiliser un répertoire temporaire
        cache_dir = tempfile.mkdtemp(prefix="hf_cache_")
        os.environ['HF_HOME'] = cache_dir
        os.environ['TRANSFORMERS_CACHE'] = cache_dir
        os.environ['HF_DATASETS_CACHE'] = cache_dir
        return cache_dir
    except Exception as e:
        st.error(f"Erreur lors de la configuration du cache: {e}")
        return None

# Configurer le cache dès le début
cache_dir = setup_cache_directory()

# Détection du device
@st.cache_data
def get_device():
    if torch.cuda.is_available():
        return "cuda"
    elif torch.backends.mps.is_available():
        return "mps"
    else:
        return "cpu"

device = get_device()
st.sidebar.info(f"Device utilisé: {device}")

# Initialiser le pipeline avec gestion des erreurs améliorée
@st.cache_resource
def load_pipeline():
    try:
        st.info("🔄 Chargement du modèle en cours... Cela peut prendre quelques minutes lors du premier lancement.")
        
        # Vérifier l'espace disque disponible
        if cache_dir:
            disk_usage = shutil.disk_usage(cache_dir)
            free_gb = disk_usage.free / (1024**3)
            st.info(f"Espace disque disponible: {free_gb:.1f} GB")
            
            if free_gb < 10:
                st.warning("⚠️ Espace disque faible. Le téléchargement du modèle pourrait échouer.")
        
        # Utiliser le modèle InstructPix2Pix officiel
        model_id = "timbrooks/instruct-pix2pix"
        
        # Configuration pour éviter les problèmes de cache
        try:
            # Essayer de charger depuis le cache local d'abord
            pipe = StableDiffusionInstructPix2PixPipeline.from_pretrained(
                model_id,
                torch_dtype=torch.float16 if device != "cpu" else torch.float32,
                safety_checker=None,
                requires_safety_checker=False,
                cache_dir=cache_dir,
                local_files_only=False,
                use_auth_token=False,
                force_download=False
            )
        except Exception as cache_error:
            st.warning(f"Erreur de cache: {cache_error}")
            st.info("Tentative de téléchargement direct...")
            
            # Si le cache pose problème, essayer sans cache
            pipe = StableDiffusionInstructPix2PixPipeline.from_pretrained(
                model_id,
                torch_dtype=torch.float16 if device != "cpu" else torch.float32,
                safety_checker=None,
                requires_safety_checker=False,
                local_files_only=False,
                use_auth_token=False
            )
        
        # Déplacer vers le device approprié
        pipe = pipe.to(device)
        
        # Optimisations pour économiser la mémoire
        if device != "cpu":
            try:
                pipe.enable_model_cpu_offload()
                pipe.enable_attention_slicing()
                if hasattr(pipe, 'enable_vae_slicing'):
                    pipe.enable_vae_slicing()
                if hasattr(pipe, 'enable_xformers_memory_efficient_attention'):
                    pipe.enable_xformers_memory_efficient_attention()
            except Exception as opt_error:
                st.warning(f"Certaines optimisations n'ont pas pu être activées: {opt_error}")
        
        st.success("✅ Modèle InstructPix2Pix chargé avec succès!")
        return pipe
        
    except PermissionError as e:
        st.error(f"❌ Erreur de permissions: {str(e)}")
        st.error("Veuillez vérifier les permissions d'écriture ou exécuter avec des privilèges appropriés.")
        st.info("Solution possible: Exécutez dans un environnement avec les bonnes permissions.")
        return None
    except OSError as e:
        if "disk" in str(e).lower() or "space" in str(e).lower():
            st.error("❌ Espace disque insuffisant pour télécharger le modèle.")
            st.error("Le modèle InstructPix2Pix nécessite environ 5-10 GB d'espace libre.")
        else:
            st.error(f"❌ Erreur système: {str(e)}")
        return None
    except ImportError as e:
        st.error(f"❌ Erreur d'importation: {str(e)}")
        st.error("Veuillez installer les dépendances requises:")
        st.code("pip install --upgrade diffusers transformers accelerate torch torchvision")
        return None
    except Exception as e:
        st.error(f"❌ Erreur lors du chargement du modèle: {str(e)}")
        st.error("Causes possibles:")
        st.markdown("""
        - Connexion internet instable
        - Espace disque insuffisant
        - Problème de permissions
        - Version incompatible des dépendances
        """)
        
        # Afficher des informations de debug
        with st.expander("Informations de debug"):
            st.write(f"Cache directory: {cache_dir}")
            st.write(f"Device: {device}")
            st.write(f"PyTorch version: {torch.__version__}")
            try:
                import diffusers
                st.write(f"Diffusers version: {diffusers.__version__}")
            except:
                st.write("Diffusers non installé ou version non disponible")
        
        return None

# Fonction pour charger une image depuis une URL
def load_image_from_url(url):
    try:
        headers = {
            'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'
        }
        response = requests.get(url, timeout=15, headers=headers)
        response.raise_for_status()
        image = Image.open(BytesIO(response.content))
        return image.convert("RGB")
    except requests.exceptions.Timeout:
        st.error("Timeout lors du chargement de l'image. Veuillez réessayer.")
        return None
    except requests.exceptions.RequestException as e:
        st.error(f"Erreur lors du chargement de l'image: {str(e)}")
        return None
    except Exception as e:
        st.error(f"Erreur lors du traitement de l'image: {str(e)}")
        return None

# Fonction pour redimensionner l'image
def resize_image(image, max_size=512):
    """Redimensionne l'image en gardant les proportions"""
    width, height = image.size
    
    # Vérifier si un redimensionnement est nécessaire
    if max(width, height) <= max_size:
        # S'assurer que les dimensions sont multiples de 8
        new_width = (width // 8) * 8
        new_height = (height // 8) * 8
        if new_width != width or new_height != height:
            image = image.resize((new_width, new_height), Image.Resampling.LANCZOS)
        return image
    
    if width > height:
        new_width = max_size
        new_height = int(height * max_size / width)
    else:
        new_height = max_size
        new_width = int(width * max_size / height)
    
    # S'assurer que les dimensions sont multiples de 8 (requis par Stable Diffusion)
    new_width = max(8, (new_width // 8) * 8)
    new_height = max(8, (new_height // 8) * 8)
    
    image = image.resize((new_width, new_height), Image.Resampling.LANCZOS)
    return image

# Tentative de chargement du pipeline
try:
    pipeline = load_pipeline()
except Exception as e:
    st.error(f"Erreur critique lors de l'initialisation: {e}")
    pipeline = None

if pipeline is None:
    st.error("❌ Impossible de charger le modèle.")
    st.markdown("""
    ### Solutions possibles:
    
    1. **Vérifiez l'installation des dépendances:**
    ```bash
    pip install --upgrade diffusers transformers accelerate torch torchvision
    ```
    
    2. **Vérifiez l'espace disque:** Le modèle nécessite ~10GB d'espace libre
    
    3. **Permissions:** Assurez-vous d'avoir les permissions d'écriture
    
    4. **Connexion internet:** Le modèle doit être téléchargé lors du premier usage
    
    5. **Redémarrez l'application** après avoir résolu les problèmes
    """)
    
    # Option pour réessayer
    if st.button("🔄 Réessayer de charger le modèle"):
        st.rerun()
    
    st.stop()

# Interface utilisateur
col1, col2 = st.columns([1, 1])

with col1:
    st.header("📤 Image d'entrée")
    
    # Options pour charger l'image
    input_option = st.radio(
        "Choisissez comment charger votre image:",
        ["Télécharger un fichier", "URL d'image", "Image d'exemple"]
    )
    
    uploaded_file = None
    image_url = None
    input_image = None
    
    if input_option == "Télécharger un fichier":
        uploaded_file = st.file_uploader(
            "Choisissez une image", 
            type=['png', 'jpg', 'jpeg', 'webp'],
            help="Formats supportés: PNG, JPG, JPEG, WEBP (Max: 200MB)"
        )
        if uploaded_file:
            # Vérifier la taille du fichier
            if uploaded_file.size > 200 * 1024 * 1024:  # 200MB
                st.error("Fichier trop volumineux. Maximum: 200MB")
            else:
                try:
                    input_image = Image.open(uploaded_file).convert("RGB")
                    st.image(input_image, caption=f"Image téléchargée ({input_image.size[0]}x{input_image.size[1]})", use_column_width=True)
                except Exception as e:
                    st.error(f"Erreur lors de l'ouverture de l'image: {e}")
    
    elif input_option == "URL d'image":
        image_url = st.text_input(
            "URL de l'image",
            placeholder="https://example.com/image.jpg",
            help="Entrez l'URL complète de l'image (formats: jpg, png, webp)"
        )
        if image_url:
            if image_url.startswith(('http://', 'https://')):
                input_image = load_image_from_url(image_url)
                if input_image:
                    st.image(input_image, caption=f"Image depuis URL ({input_image.size[0]}x{input_image.size[1]})", use_column_width=True)
            else:
                st.error("Veuillez entrer une URL valide commençant par http:// ou https://")
    
    else:  # Image d'exemple
        example_options = {
            "Portrait d'homme": "https://raw.githubusercontent.com/timothybrooks/instruct-pix2pix/main/imgs/example.jpg",
            "Paysage": "https://images.unsplash.com/photo-1506905925346-21bda4d32df4?w=512",
            "Animal": "https://images.unsplash.com/photo-1574158622682-e40e69881006?w=512"
        }
        
        selected_example = st.selectbox("Choisir une image d'exemple:", list(example_options.keys()))
        
        if st.button("Charger l'image d'exemple"):
            example_url = example_options[selected_example]
            input_image = load_image_from_url(example_url)
            if input_image:
                st.image(input_image, caption=f"{selected_example} ({input_image.size[0]}x{input_image.size[1]})", use_column_width=True)

with col2:
    st.header("⚙️ Paramètres d'édition")
    
    # Prompt de modification
    prompt = st.text_area(
        "Prompt de modification",
        placeholder="Exemple: 'turn him into a cyborg'",
        height=100,
        help="Décrivez en anglais les modifications que vous souhaitez apporter à l'image"
    )
    
    # Exemples de prompts
    if st.button("💡 Prompt aléatoire"):
        example_prompts = [
            "turn him into a cyborg",
            "make it a cartoon",
            "add sunglasses",
            "make it winter",
            "turn the sky purple",
            "make him smile",
            "add a hat",
            "make it look like a painting",
            "turn it into a sketch",
            "add dramatic lighting"
        ]
        import random
        random_prompt = random.choice(example_prompts)
        st.session_state.random_prompt = random_prompt
        st.rerun()
    
    if hasattr(st.session_state, 'random_prompt'):
        if st.button(f"Utiliser: '{st.session_state.random_prompt}'"):
            prompt = st.session_state.random_prompt
    
    # Paramètres avancés
    with st.expander("Paramètres avancés"):
        # Redimensionnement
        resize_option = st.checkbox(
            "Redimensionner l'image automatiquement",
            value=True,
            help="Recommandé pour optimiser les performances et éviter les erreurs de mémoire"
        )
        
        if resize_option:
            max_size = st.slider(
                "Taille maximum (pixels)",
                min_value=256,
                max_value=1024,
                value=512,
                step=64,
                help="Plus petit = plus rapide, mais qualité moindre"
            )
        
        # Seed
        use_random_seed = st.checkbox(
            "Seed aléatoire",
            value=True,
            help="Désactiver pour reproduire exactement les mêmes résultats"
        )
        
        if not use_random_seed:
            seed = st.number_input(
                "Seed",
                value=42,
                min_value=0,
                max_value=2**31-1,
                help="Nombre pour la reproductibilité des résultats"
            )
        else:
            seed = None
        
        # Paramètres de génération
        guidance_scale = st.slider(
            "Text Guidance Scale",
            min_value=1.0,
            max_value=20.0,
            value=7.5,
            step=0.5,
            help="Plus élevé = plus fidèle au prompt (mais peut sur-saturer)"
        )
        
        image_guidance_scale = st.slider(
            "Image Guidance Scale",
            min_value=1.0,
            max_value=2.0,
            value=1.5,
            step=0.1,
            help="Plus élevé = préserve mieux l'image originale"
        )
        
        num_inference_steps = st.slider(
            "Nombre d'étapes d'inférence",
            min_value=10,
            max_value=50,
            value=20,
            help="Plus d'étapes = meilleure qualité mais plus lent"
        )

# Bouton de génération
generate_button = st.button(
    "🚀 Générer l'image éditée",
    type="primary",
    use_container_width=True,
    disabled=(not prompt or input_image is None)
)

# Traitement et génération
if generate_button:
    if not prompt.strip():
        st.error("⚠️ Veuillez entrer un prompt de modification")
    elif input_image is None:
        st.error("⚠️ Veuillez charger une image")
    else:
        # Vérifications de sécurité
        if input_image.size[0] * input_image.size[1] > 2048 * 2048:
            st.warning("⚠️ Image très grande détectée. Le traitement peut être lent.")
        
        progress_bar = st.progress(0)
        status_text = st.empty()
        
        try:
            status_text.text("Préparation de l'image...")
            progress_bar.progress(10)
            
            # Préparer l'image
            processed_image = input_image.copy()
            original_size = processed_image.size
            
            if resize_option:
                processed_image = resize_image(processed_image, max_size)
                if processed_image.size != original_size:
                    st.info(f"Image redimensionnée: {original_size} → {processed_image.size}")
            
            progress_bar.progress(20)
            
            # Générer un seed aléatoire si nécessaire
            if seed is None:
                import random
                current_seed = random.randint(0, 2**31 - 1)
            else:
                current_seed = seed
            
            status_text.text("Configuration du générateur...")
            progress_bar.progress(30)
            
            # Configurer le générateur
            generator = torch.Generator(device=device).manual_seed(current_seed)
            
            status_text.text("Génération en cours... (cela peut prendre quelques minutes)")
            progress_bar.progress(40)
            
            # Génération de l'image avec InstructPix2Pix
            with torch.autocast(device_type=device.replace('mps', 'cpu'), dtype=torch.float16 if device != "cpu" else torch.float32):
                result = pipeline(
                    prompt=prompt.strip(),
                    image=processed_image,
                    num_inference_steps=num_inference_steps,
                    guidance_scale=guidance_scale,
                    image_guidance_scale=image_guidance_scale,
                    generator=generator
                )
            
            progress_bar.progress(90)
            status_text.text("Finalisation...")
            
            # Récupérer l'image générée
            generated_image = result.images[0]
            
            progress_bar.progress(100)
            status_text.empty()
            progress_bar.empty()
            
            # Afficher le résultat
            st.success("✅ Image générée avec succès!")
            
            # Informations sur la génération
            col_info1, col_info2, col_info3 = st.columns(3)
            with col_info1:
                st.metric("Seed utilisé", current_seed)
            with col_info2:
                st.metric("Taille finale", f"{generated_image.size[0]}×{generated_image.size[1]}")
            with col_info3:
                st.metric("Étapes", num_inference_steps)
            
            # Créer deux colonnes pour afficher les résultats
            result_col1, result_col2 = st.columns([1, 1])
            
            with result_col1:
                st.subheader("🖼️ Image originale")
                st.image(processed_image, use_column_width=True)
            
            with result_col2:
                st.subheader("✨ Image éditée")
                st.image(generated_image, use_column_width=True)
                
                # Bouton de téléchargement
                buf = BytesIO()
                generated_image.save(buf, format='PNG', quality=95)
                buf.seek(0)
                
                timestamp = int(time.time())
                filename = f"edited_image_{timestamp}.png"
                
                st.download_button(
                    label="📥 Télécharger l'image éditée",
                    data=buf.getvalue(),
                    file_name=filename,
                    mime="image/png",
                    use_container_width=True
                )
                
                # Afficher les paramètres utilisés
                with st.expander("Paramètres de génération"):
                    st.json({
                        "prompt": prompt.strip(),
                        "seed": current_seed,
                        "guidance_scale": guidance_scale,
                        "image_guidance_scale": image_guidance_scale,
                        "num_inference_steps": num_inference_steps,
                        "image_size": f"{generated_image.size[0]}×{generated_image.size[1]}"
                    })
                    
        except torch.cuda.OutOfMemoryError:
            st.error("❌ Mémoire GPU insuffisante!")
            st.markdown("""
            **Solutions:**
            - Réduire la taille de l'image
            - Réduire le nombre d'étapes d'inférence
            - Redémarrer l'application
            """)
        except Exception as e:
            st.error(f"❌ Erreur lors de la génération: {str(e)}")
            
            # Informations de debug pour les erreurs
            with st.expander("Détails de l'erreur"):
                st.exception(e)
                st.json({
                    "prompt_length": len(prompt),
                    "image_size": processed_image.size if 'processed_image' in locals() else "Non définie",
                    "device": device,
                    "parameters": {
                        "guidance_scale": guidance_scale,
                        "image_guidance_scale": image_guidance_scale,
                        "num_inference_steps": num_inference_steps
                    }
                })

# Informations système dans la sidebar
with st.sidebar:
    st.header("💻 Informations système")
    
    # Informations GPU/CPU
    if device == "cuda":
        st.success("🚀 CUDA détecté - Génération rapide")
        if torch.cuda.is_available():
            try:
                gpu_name = torch.cuda.get_device_name()
                memory_allocated = torch.cuda.memory_allocated() / 1024**3
                memory_reserved = torch.cuda.memory_reserved() / 1024**3
                total_memory = torch.cuda.get_device_properties(0).total_memory / 1024**3
                st.write(f"**GPU:** {gpu_name}")
                st.write(f"**Mémoire utilisée:** {memory_allocated:.1f} GB")
                st.write(f"**Mémoire réservée:** {memory_reserved:.1f} GB")
                st.write(f"**Mémoire totale:** {total_memory:.1f} GB")
                
                # Barre de progression de la mémoire
                memory_percent = memory_reserved / total_memory
                st.progress(memory_percent)
                
            except:
                st.write("**GPU:** CUDA disponible")
    elif device == "mps":
        st.info("🍎 MPS (Apple Silicon) détecté")
        st.write("Génération optimisée pour Apple Silicon")
    else:
        st.warning("⚠️ CPU uniquement")
        st.write("Génération lente - GPU recommandé")
    
    # Informations cache
    if cache_dir:
        st.write(f"**Cache:** {os.path.basename(cache_dir)}")
    
    st.header("📖 Guide d'utilisation")
    st.markdown("""
    ### Étapes:
    1. **Chargez une image** 📷
    2. **Écrivez un prompt** en anglais ✍️
    3. **Ajustez les paramètres** (optionnel) ⚙️
    4. **Générez** l'image éditée 🚀
    
    ### 💡 Conseils:
    - **Prompts clairs:** "turn into a robot"
    - **Instructions directes:** plutôt que descriptions
    - **Commencez simple:** utilisez les paramètres par défaut
    - **Testez différents seeds** pour varier les résultats
    """)
    
    st.header("🎯 Exemples de prompts")
    st.markdown("""
    **Transformations:**
    - `turn him into a cyborg`
    - `make it a cartoon`
    - `turn it into a painting`
    
    **Ajouts:**
    - `add sunglasses`
    - `add a hat`
    - `add dramatic lighting`
    
    **Modifications:**
    - `make it winter`
    - `turn the sky purple`
    - `make him smile`
    - `change the background to a beach`
    """)
    
    st.header("⚠️ Limitations")
    st.markdown("""
    - Prompts en **anglais** uniquement
    - Qualité variable selon l'image source
    - Temps de génération: 30s - 5min selon le matériel
    - Mémoire requise: 4-8GB VRAM (GPU)
    """)

# Footer
st.markdown("---")
st.markdown(
    f"""
    <div style='text-align: center; color: #666; font-size: 0.8em;'>
        🎨 Propulsé par InstructPix2Pix | Device: {device.upper()} | 
        Cache: {"✅" if cache_dir else "❌"} | 
        <a href='https://github.com/timothybrooks/instruct-pix2pix' target='_blank'>Documentation</a>
    </div>
    """,
    unsafe_allow_html=True
)

# Nettoyage automatique du cache à la fermeture (optionnel)
import atexit

def cleanup_cache():
    if cache_dir and os.path.exists(cache_dir):
        try:
            shutil.rmtree(cache_dir)
        except:
            pass

atexit.register(cleanup_cache)