Update app.py

app.py

@@ -1,61 +1,30 @@
 import torch
 import gradio as gr
-from PIL import Image
-from diffusers import QwenImageEditPlusPipeline, FlowMatchEulerDiscreteScheduler
-import spaces
-
-# Configuración
-BASE_MODEL = "prithivMLmods/Qwen-Image-Edit-AIO-FP8"
-LORA_COSPLAY = "joyfox/Qwen-Image-Edit-Cosplay"
-LORA_LIGHTNING = "lightx2v/Qwen-Image-Lightning"
-
-# Inicialización básica del modelo
-pipe = QwenImageEditPlusPipeline.from_pretrained(
-    BASE_MODEL,
-    torch_dtype=torch.float16, # Usamos float16 para ahorrar VRAM
-    use_safetensors=True
+from transformers import pipeline
+
+# 1. Cargar el modelo
+# Asegúrate de tener tu token de Hugging Face configurado en el Space
+model_id = "Bigfawg6669/create-nsfw"
+
+# Usamos 'pipeline' para simplificar. 
+# Si el modelo requiere tareas específicas (ej. text-generation), cámbialo en el primer argumento.
+try:
+    pipe = pipeline("text-classification", model=model_id, device="cpu") # Usa "cuda" si tienes GPU
+except Exception as e:
+    print(f"Error al cargar el modelo: {e}")
+
+# 2. Función de predicción
+def analizar_contenido(texto):
+    resultado = pipe(texto)
+    return resultado
+
+# 3. Interfaz de Gradio
+demo = gr.Interface(
+    fn=analizar_contenido,
+    inputs=gr.Textbox(label="Entrada"),
+    outputs=gr.JSON(label="Resultado"),
+    title="Analizador de Contenido"
 )
 
-# Cargamos los adaptadores de una vez al inicio
-pipe.load_lora_weights(LORA_COSPLAY, adapter_name="cosplay")
-pipe.load_lora_weights(LORA_LIGHTNING, weight_name="Qwen-Image-Lightning-8steps-V1.0.safetensors", adapter_name="lightning")
-pipe.set_adapters(["cosplay", "lightning"], adapter_weights=[0.85, 1.0])
-
-@spaces.GPU
-def process_cosplay_edit(base_image, reference_image, prompt, steps, cfg, seed):
-    # Movemos el modelo a la GPU activamente al iniciar la generación
-    pipe.to("cuda")
-    
-    # Redimensionamiento (múltiplos de 8)
-    width, height = 1024, 1024
-    base_resized = base_image.resize((width, height), Image.Resampling.LANCZOS)
-    ref_resized = reference_image.resize((width, height), Image.Resampling.LANCZOS)
-
-    generator = torch.Generator("cuda").manual_seed(int(seed))
-    
-    output = pipe(
-        image=[base_resized, ref_resized],
-        prompt=prompt,
-        width=width,
-        height=height,
-        num_inference_steps=int(steps),
-        true_cfg_scale=float(cfg),
-        generator=generator
-    )
-    
-    # Al finalizar la función, el modelo se retira de la GPU automáticamente por ZeroGPU
-    return output.images[0]
-
-# Interfaz
-with gr.Blocks() as demo:
-    with gr.Row():
-        base_input = gr.Image(label="Persona Real", type="pil")
-        ref_input = gr.Image(label="Referencia Anime", type="pil")
-    
-    prompt_input = gr.Textbox(label="Prompt", value="high quality, cosplay style transfer")
-    generate_btn = gr.Button("Generar", variant="primary")
-    output_display = gr.Image(label="Resultado")
-
-    generate_btn.click(process_cosplay_edit, inputs=[base_input, ref_input, prompt_input, gr.Slider(4, 12, 8), gr.Slider(1, 5, 1.5), gr.Number(1337)], outputs=output_display)
-
-demo.queue().launch()
+if __name__ == "__main__":
+    demo.launch()