Add Hugging Face authentication for gated models - Add HF_TOKEN configuration for FLUX models - Improve error handling and logging - Add detailed setup instructions in README - Fix API external timeout and error handling

README.md

@@ -21,7 +21,7 @@ Un generador de imágenes con IA con múltiples modelos de alta calidad optimiza
 - **SDXL Lightning** - Generación rápida de alta calidad (4 pasos)
 - **SDXL Lightning 4Step** - Versión optimizada de 4 pasos
 
-### Modelos FLUX (Alta Calidad)
+### Modelos FLUX (Alta Calidad) 🔐
 - **FLUX.1-dev** - Modelo de desarrollo de alta calidad
 - **FLUX.1-schnell** - Modelo rápido de alta calidad
 - **FLUX.1-Kontext-Dev** - Modelo externo via API (requiere conexión)
@@ -30,6 +30,32 @@ Un generador de imágenes con IA con múltiples modelos de alta calidad optimiza
 - **SDXL Base** - Modelo base de Stable Diffusion XL
 - **Realistic Vision** - Especializado en retratos realistas
 
+## 🔐 Configuración para Modelos Gated (FLUX)
+
+Para usar los modelos FLUX, necesitas configurar tu token de Hugging Face:
+
+### 1. Obtener Token de Hugging Face
+1. Ve a [Hugging Face Settings](https://huggingface.co/settings/tokens)
+2. Crea un nuevo token con permisos de **read**
+3. Copia el token generado
+
+### 2. Configurar Token en el Space
+1. Ve a tu Space: https://huggingface.co/spaces/Ntdeseb/test
+2. Haz clic en **Settings** (⚙️)
+3. En la sección **Variables and secrets**
+4. Agrega una nueva variable:
+   - **Name**: `HF_TOKEN`
+   - **Value**: `hf_tu_token_aqui`
+   - **Type**: `Secret` ✅
+5. Guarda los cambios
+6. Reinicia el Space
+
+### 3. Verificar Acceso a Modelos FLUX
+1. Ve a [FLUX.1-dev](https://huggingface.co/black-forest-labs/FLUX.1-dev)
+2. Haz clic en **Access** para solicitar acceso
+3. Acepta los términos de licencia
+4. Repite para [FLUX.1-schnell](https://huggingface.co/black-forest-labs/FLUX.1-schnell)
+
 ## 🎯 Uso
 
 1. Selecciona un modelo del dropdown en "Advanced Settings"
@@ -45,6 +71,7 @@ Un generador de imágenes con IA con múltiples modelos de alta calidad optimiza
 - **Carga bajo demanda**: Los modelos se cargan solo cuando se necesitan
 - **Configuraciones específicas**: Cada modelo tiene sus propios parámetros de guidance y steps
 - **API Externa**: FLUX.1-Kontext-Dev usa la API del Space oficial
+- **Autenticación automática**: Manejo automático de tokens para modelos gated
 
 ## 🔧 Configuraciones por Modelo
 
@@ -57,6 +84,19 @@ Un generador de imágenes con IA con múltiples modelos de alta calidad optimiza
 
 **FLUX.1-Kontext-Dev** se conecta a la API oficial del Space `black-forest-labs/FLUX.1-Kontext-Dev` para generar imágenes de alta calidad. Este modelo requiere conexión a internet y puede tener tiempos de respuesta variables.
 
+## 🐛 Solución de Problemas
+
+### Error de Autenticación
+Si ves errores como "Cannot access gated repo":
+1. Verifica que el `HF_TOKEN` esté configurado correctamente
+2. Asegúrate de tener acceso a los modelos FLUX
+3. Reinicia el Space después de configurar el token
+
+### Error de API Externa
+Si la API externa falla:
+- El modelo FLUX.1-Kontext-Dev mostrará una imagen roja de error
+- Usa los modelos locales como alternativa
+
 ---
 
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

app.py

@@ -6,10 +6,24 @@ import base64
 from PIL import Image
 import io
 import json
+import os
 
 # import spaces #[uncomment to use ZeroGPU]
 from diffusers import DiffusionPipeline
 import torch
+from huggingface_hub import login
+
+# Configurar autenticación con Hugging Face
+HF_TOKEN = os.getenv("HF_TOKEN")
+if HF_TOKEN:
+    try:
+        login(token=HF_TOKEN)
+        print("✅ Autenticado con Hugging Face")
+    except Exception as e:
+        print(f"⚠️ Error de autenticación: {e}")
+else:
+    print("⚠️ No se encontró HF_TOKEN - modelos gated no estarán disponibles")
+    print("💡 Para usar modelos FLUX, configura la variable de entorno HF_TOKEN en el Space")
 
 device = "cuda" if torch.cuda.is_available() else "cpu"
 
@@ -42,9 +56,25 @@ MAX_IMAGE_SIZE = 1024
 def load_model(model_id):
     global pipe, current_model_id
     if pipe is None or model_id != current_model_id:
-        pipe = DiffusionPipeline.from_pretrained(model_id, torch_dtype=torch_dtype)
-        pipe = pipe.to(device)
-        current_model_id = model_id
+        try:
+            # Usar token de autenticación si está disponible
+            if HF_TOKEN:
+                pipe = DiffusionPipeline.from_pretrained(
+                    model_id, 
+                    torch_dtype=torch_dtype,
+                    use_auth_token=HF_TOKEN
+                )
+            else:
+                pipe = DiffusionPipeline.from_pretrained(
+                    model_id, 
+                    torch_dtype=torch_dtype
+                )
+            pipe = pipe.to(device)
+            current_model_id = model_id
+            print(f"✅ Modelo {model_id} cargado exitosamente")
+        except Exception as e:
+            print(f"❌ Error cargando modelo {model_id}: {e}")
+            raise e
 
 # Función para usar la API externa de FLUX.1-Kontext-Dev
 def use_external_api(prompt, negative_prompt, seed, randomize_seed, width, height, guidance_scale, num_inference_steps):
@@ -71,7 +101,7 @@ def use_external_api(prompt, negative_prompt, seed, randomize_seed, width, heigh
         }
         
         # Hacer la petición a la API
-        response = requests.post(api_url, files=files)
+        response = requests.post(api_url, files=files, timeout=60)
         
         if response.status_code == 200:
             result = response.json()
@@ -85,7 +115,7 @@ def use_external_api(prompt, negative_prompt, seed, randomize_seed, width, heigh
             
             return image, new_seed
         else:
-            raise Exception(f"API Error: {response.status_code}")
+            raise Exception(f"API Error: {response.status_code} - {response.text}")
             
     except Exception as e:
         print(f"Error usando API externa: {e}")
@@ -106,44 +136,51 @@ def infer(
     model_name,
     progress=gr.Progress(track_tqdm=True),
 ):
-    # Verificar si es el modelo externo
-    if model_name == "FLUX.1-Kontext-Dev (API External)":
-        return use_external_api(prompt, negative_prompt, seed, randomize_seed, width, height, guidance_scale, num_inference_steps)
-    
-    # Cargar el modelo seleccionado
-    model_id = MODELS[model_name]
-    load_model(model_id)
-    
-    if randomize_seed:
-        seed = random.randint(0, MAX_SEED)
+    try:
+        # Verificar si es el modelo externo
+        if model_name == "FLUX.1-Kontext-Dev (API External)":
+            return use_external_api(prompt, negative_prompt, seed, randomize_seed, width, height, guidance_scale, num_inference_steps)
+        
+        # Cargar el modelo seleccionado
+        model_id = MODELS[model_name]
+        load_model(model_id)
+        
+        if randomize_seed:
+            seed = random.randint(0, MAX_SEED)
 
-    generator = torch.Generator().manual_seed(seed)
+        generator = torch.Generator().manual_seed(seed)
 
-    # Configuraciones específicas según el modelo
-    if "turbo" in model_id.lower() or "lightning" in model_id.lower():
-        # Modelos rápidos
-        guidance_scale = 0.0
-        num_inference_steps = 1 if "turbo" in model_id.lower() else 4
-    elif "flux" in model_id.lower():
-        # Modelos FLUX
-        guidance_scale = 7.5
-        num_inference_steps = 20
-    elif "realistic" in model_id.lower():
-        # Realistic Vision
-        guidance_scale = 7.5
-        num_inference_steps = 25
+        # Configuraciones específicas según el modelo
+        if "turbo" in model_id.lower() or "lightning" in model_id.lower():
+            # Modelos rápidos
+            guidance_scale = 0.0
+            num_inference_steps = 1 if "turbo" in model_id.lower() else 4
+        elif "flux" in model_id.lower():
+            # Modelos FLUX
+            guidance_scale = 7.5
+            num_inference_steps = 20
+        elif "realistic" in model_id.lower():
+            # Realistic Vision
+            guidance_scale = 7.5
+            num_inference_steps = 25
 
-    image = pipe(
-        prompt=prompt,
-        negative_prompt=negative_prompt,
-        guidance_scale=guidance_scale,
-        num_inference_steps=num_inference_steps,
-        width=width,
-        height=height,
-        generator=generator,
-    ).images[0]
+        image = pipe(
+            prompt=prompt,
+            negative_prompt=negative_prompt,
+            guidance_scale=guidance_scale,
+            num_inference_steps=num_inference_steps,
+            width=width,
+            height=height,
+            generator=generator,
+        ).images[0]
 
-    return image, seed
+        return image, seed
+        
+    except Exception as e:
+        print(f"Error en inferencia: {e}")
+        # Crear imagen de error
+        error_image = Image.new('RGB', (width, height), color='red')
+        return error_image, seed
 
 
 examples = [