Update app.py

app.py

@@ -9,15 +9,12 @@ CONDA_ENV_PATH = os.path.abspath(os.path.join(os.getcwd(), "seedvr_env"))
 CONDA_PYTHON_EXECUTABLE = os.path.join(CONDA_ENV_PATH, "bin/python")
 
 # Verifica se o ambiente conda já foi configurado
-# Se o Python do nosso ambiente não existe, então a configuração precisa ser executada.
 if not os.path.exists(CONDA_PYTHON_EXECUTABLE):
     print("Iniciando a configuração do ambiente Conda pela primeira vez. Isso levará vários minutos...")
     
-    # Função auxiliar para executar comandos no shell
     def run_command(command):
         subprocess.run(command, shell=True, check=True, executable='/bin/bash')
 
-    # 1. Instala o Miniconda
     if not os.path.exists("/home/user/miniconda3"):
         print("Baixando e instalando o Miniconda...")
         run_command("wget https://repo.anaconda.com/miniconda/Miniconda3-py310_23.11.0-2-Linux-x86_64.sh -O miniconda.sh")
@@ -27,43 +24,38 @@ if not os.path.exists(CONDA_PYTHON_EXECUTABLE):
     conda_executable = "/home/user/miniconda3/bin/conda"
     print("✅ Instalação do Miniconda concluída.")
 
-    # 2. Cria o ambiente Conda
     print(f"Criando o ambiente Conda em: {CONDA_ENV_PATH}")
     run_command(f"{conda_executable} create --prefix {CONDA_ENV_PATH} python=3.10 -y")
     print("✅ Ambiente Conda criado.")
 
-    # 3. Instala PyTorch, Torchvision e cudatoolkit via Conda (o método mais robusto)
     print("Instalando PyTorch e Torchvision com Conda...")
     run_command(f"{conda_executable} install --prefix {CONDA_ENV_PATH} -y -c pytorch -c nvidia pytorch torchvision pytorch-cuda=12.1")
     print("✅ PyTorch e Torchvision instalados.")
     
-    # 4. Clona o repositório SeedVR
     if not os.path.exists("SeedVR"):
         run_command("git clone https://github.com/ByteDance-Seed/SeedVR.git")
     os.chdir("SeedVR")
     
-    # 5. Instala dependências do requirements.txt usando o pip do novo ambiente
     print("Instalando dependências do requirements.txt...")
     run_command(f"{CONDA_PYTHON_EXECUTABLE} -m pip install -r requirements.txt")
     
-    # 6. Instala flash-attn, como especificado nas instruções
     print("Instalando flash-attn...")
     run_command(f"{CONDA_PYTHON_EXECUTABLE} -m pip install flash_attn==2.5.9.post1 --no-build-isolation")
     print("✅ Todas as dependências foram instaladas.")
 
     print("\n*** Configuração do ambiente concluída. Reiniciando o script no ambiente correto. ***\n")
-    # Executa novamente o script, mas desta vez com o interpretador Python do Conda
-    os.execle(CONDA_PYTHON_EXECUTABLE, CONDA_PYTHON_EXECUTABLE, *sys.argv)
+    # CORREÇÃO: Usar os.execv em vez de os.execle
+    # O primeiro argumento é o caminho para o executável, o segundo é uma lista
+    # de argumentos, começando com o próprio nome do programa.
+    os.execv(CONDA_PYTHON_EXECUTABLE, [CONDA_PYTHON_EXECUTABLE] + sys.argv)
 
 # A partir daqui, o script é executado pelo Python do ambiente Conda
 #---------------------------------------------------------------------
 
-# Garante que estamos no diretório certo (pode ter sido perdido na reinicialização)
 if not os.getcwd().endswith("SeedVR"):
     if os.path.exists("SeedVR"):
         os.chdir("SeedVR")
 
-# Importações principais (agora que o ambiente está pronto)
 import spaces
 from pathlib import Path
 from urllib.parse import urlparse
@@ -82,7 +74,6 @@ import torchvision.transforms as T
 from torchvision.transforms import Compose, Lambda, Normalize
 from torchvision.io.video import read_video
 
-# Importações do projeto SeedVR
 from data.image.transforms.divisible_crop import DivisibleCrop
 from data.image.transforms.na_resize import NaResize
 from data.video.transforms.rearrange import Rearrange
@@ -94,7 +85,6 @@ from common.distributed.ops import sync_data
 
 print("Ambiente Conda verificado. Iniciando a aplicação...")
 
-# --- ETAPA 1: Baixar os Modelos Pré-treinados ---
 print("Baixando modelos pré-treinados...")
 
 def load_file_from_url(url, model_dir='.', progress=True, file_name=None):
@@ -120,8 +110,6 @@ for key, url in pretrain_model_url.items():
     model_dir = './ckpts' if key in ['vae', 'dit'] else '.'
     load_file_from_url(url=url, model_dir=model_dir)
 
-
-# --- ETAPA 2: Executar a Aplicação Principal ---
 os.environ["MASTER_ADDR"] = "127.0.0.1"
 os.environ["MASTER_PORT"] = "12355"
 os.environ["RANK"] = str(0)
@@ -153,7 +141,7 @@ def generation_step(runner, text_embeds_dict, cond_latents):
         video_tensors = runner.inference(noises=noises, conditions=conditions, **text_embeds_dict)
     return [rearrange(v, "c t h w -> t c h w") for v in video_tensors]
 
-@spaces.GPU
+
 def generation_loop(video_path, seed=666, fps_out=24):
     if video_path is None: return None, None, None
     runner = configure_runner()
@@ -197,7 +185,7 @@ 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
-        <a href='https://github.com/ByteDance-Seed/SeedVR' target='_blank'>
+        <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.
         </p>