app.py

import gradio as gr
from PIL import Image
import torch
from diffusers import StableDiffusionPipeline

# Charger le pipeline de diffusion depuis Hugging Face
model_name = "Yaquv/rickthenpc"
device = "cuda" if torch.cuda.is_available() else "cpu"

try:
    pipe = StableDiffusionPipeline.from_pretrained(model_name)
    pipe = pipe.to(device)
except Exception as e:
    print(f"Erreur lors du chargement du modèle : {e}")
    pipe = None

# Fonction de génération et de post-traitement
def generate_image(prompt):
    """
    Génère une image à partir du prompt en utilisant le modèle Hugging Face.
    """
    if pipe is None:
        raise ValueError("The model couldn't be loaded.")

    try:
        # Générer l'image
        result = pipe(prompt)
        
        # Vérifier que le résultat contient des images
        if not hasattr(result, 'images') or len(result.images) == 0:
            raise ValueError("The model couldn't generate an image.")

        image = result.images[0]

        # S'assurer que l'image est au format PIL.Image
        if not isinstance(image, Image.Image):
            image = Image.fromarray(image)

        return image

    except Exception as e:
        # Lever une exception pour que Gradio puisse la gérer
        raise ValueError(f"Erreur lors de la génération : {str(e)}")

# Interface Gradio
iface = gr.Interface(
    fn=generate_image,
    inputs=gr.Textbox(label="Prompt"),
    outputs=gr.Image(label="Generated Image"),
    title="Rick Generator",
    description="Enter a prompt to generate an image with the Rick Generator model."
)

# Lancer l'application
if __name__ == "__main__":
    iface.launch()