Update app.py

app.py

@@ -32,12 +32,18 @@ print(f"Diretório atual adicionado ao sys.path.")
 # --- ETAPA 3: Instalar Dependências Corretamente ---
 python_executable = sys.executable
 
-# CORREÇÃO: Instalar o Apex a partir do código-fonte para garantir a compatibilidade com a GPU.
-# A instalação de um wheel pré-compilado pode causar o erro "CUDA error: no kernel image is available"
-# se o wheel não foi compilado para a arquitetura de GPU específica do ambiente de execução.
+# CORREÇÃO: Instalar o Apex a partir do código-fonte usando --no-build-isolation
+# para que ele possa encontrar o PyTorch já instalado a partir do requirements.txt.
 print("Instalando Apex a partir do código-fonte...")
 subprocess.run(
-    [python_executable, "-m", "pip", "install", "git+https://github.com/NVIDIA/apex.git"],
+    [
+        python_executable,
+        "-m",
+        "pip",
+        "install",
+        "--no-build-isolation",  # Garante que o torch seja encontrado durante a compilação
+        "git+https://github.com/NVIDIA/apex.git"
+    ],
     check=True
 )
 print("✅ Configuração do Apex concluída.")
@@ -140,26 +146,25 @@ def generation_loop(video_path, seed=666, fps_out=24):
     runner = configure_runner()
     # Adicionado `weights_only=True` para segurança e para suprimir o aviso
     text_embeds = {
-        "texts_pos": [torch.load('pos_emb.pt', weights_only=True).to("cuda")], 
+        "texts_pos": [torch.load('pos_emb.pt', weights_only=True).to("cuda")],
         "texts_neg": [torch.load('neg_emb.pt', weights_only=True).to("cuda")]
     }
     runner.configure_diffusion()
     set_seed(int(seed))
     os.makedirs("output", exist_ok=True)
-    
-    # CORREÇÃO: Fornecer os argumentos que faltam para NaResize.
+
     res_h, res_w = 1280, 720
     transform = Compose([
         NaResize(resolution=(res_h * res_w)**0.5, mode="area", downsample_only=False),
         Lambda(lambda x: torch.clamp(x, 0.0, 1.0)),
-        DivisibleCrop((16, 16)), 
-        Normalize(0.5, 0.5), 
+        DivisibleCrop((16, 16)),
+        Normalize(0.5, 0.5),
         Rearrange("t c h w -> c t h w")
     ])
 
     media_type, _ = mimetypes.guess_type(video_path)
     is_video = media_type and media_type.startswith("video")
-    
+
     if is_video:
         video, _, _ = read_video(video_path, output_format="TCHW")
         video = video[:121] / 255.0
@@ -184,8 +189,7 @@ def generation_loop(video_path, seed=666, fps_out=24):
 
 with gr.Blocks(title="SeedVR") as demo:
     gr.HTML(f"""
-        
-        <p><b>Demonstração oficial do Gradio</b> para 
+        <p><b>Demonstração oficial do Gradio</b> para
         <a href='https://github.com/ByteDance-Seed/SeedVR' target='_blank'>
         <b>SeedVR2: One-Step Video Restoration via Diffusion Adversarial Post-Training</b></a>.<br>
         🔥 <b>SeedVR2</b> é um algoritmo de restauração de imagem e vídeo em um passo para conteúdo do mundo real e AIGC.