.

README.md

@@ -5,7 +5,7 @@ colorFrom: gray
 colorTo: indigo
 sdk: gradio
 sdk_version: 6.0.2
-app_file: app6.py
+app_file: app3.py
 pinned: false
 ---
 

app3.py

@@ -2,27 +2,87 @@ import gradio as gr
 from diffusers import StableDiffusionPipeline
 from PIL import Image
 import torch
+import os
 
+# --- Configuración del Modelo ---
+# NOTA: El modelo 'OFA-Sys/small-stable-diffusion-v0' es grande. 
+# Si el entorno (Colab, Jupyter) tiene GPU (CUDA), úsala. 
+# Si no, el procesamiento será EXTREMADAMENTE LENTO en CPU.
+
+# Determinar si usar GPU (cuda) o CPU
+device = "cuda" if torch.cuda.is_available() else "cpu"
+# Si estás usando una CPU sin GPU, considera un modelo más pequeño y rápido,
+# o prepárate para un tiempo de espera muy largo.
 
-#Modelo que genera imágenes, está poco probado ya que tarda muchísimo en generarlas
 model_id = "OFA-Sys/small-stable-diffusion-v0"
-pipe = StableDiffusionPipeline.from_pretrained(model_id)
-pipe = pipe.to("cpu") 
 
-# Función que Gradio llamará
+try:
+    # Cargar el modelo y moverlo al dispositivo (GPU o CPU)
+    pipe = StableDiffusionPipeline.from_pretrained(model_id)
+    pipe = pipe.to(device)
+    print(f"Modelo cargado y movido a: {device.upper()}")
+except Exception as e:
+    print(f"Error al cargar el modelo: {e}")
+    # Puedes poner un 'pipe' dummy si falla la carga.
+    pipe = None
+
+
+# --- Función de Generación de Imagen ---
 def generar_imagen(prompt):
+    """Genera una imagen a partir de un prompt usando Stable Diffusion."""
     if not prompt:
         return None
-    image = pipe(prompt).images[0]
-    return image 
-
-# Interfaz Gradio
-demo = gr.Interface(
-    fn=generar_imagen,
-    inputs=gr.Textbox(label="Prompt"),
-    outputs=gr.Image(type="pil"),
-    title="Generador de imágenes ligero",
-    description="Introduce un prompt y el modelo generará la imagen. Podrás descargarla con el botón de Gradio."
-)
-
-demo.launch()
+    if pipe is None:
+        # Devuelve una imagen de error si el modelo no se cargó
+        return Image.new('RGB', (512, 512), color = 'red') 
+    
+    # Intenta generar la imagen
+    try:
+        # Los modelos Diffusers devuelven una lista, tomamos el primer elemento [0]
+        image = pipe(prompt).images[0] 
+        return image
+    except Exception as e:
+        print(f"Error al generar la imagen: {e}")
+        # Devuelve una imagen en blanco con texto de error si hay un fallo
+        return Image.new('RGB', (512, 512), color = 'red')
+
+
+# --- Interfaz Gradio con gr.Blocks() ---
+with gr.Blocks(title="Generador de Imágenes Ligero") as demo:
+    gr.Markdown(
+        """
+        # 🎨 Generador de Imágenes Ligero con Gradio y Stable Diffusion
+        Introduce un **prompt (descripción)** para que el modelo genere una imagen.
+        """
+    )
+    # Crear un diseño en fila para los inputs y el output
+    with gr.Row():
+        # Lado izquierdo: Input de texto
+        with gr.Column(scale=1):
+            prompt_input = gr.Textbox(
+                label="Prompt (Describe la imagen que quieres)", 
+                placeholder="Un astronauta montando a caballo, estilo fotorealista"
+            )
+            generate_button = gr.Button("🖼️ Generar Imagen")
+        
+        # Lado derecho: Output de imagen
+        with gr.Column(scale=1):
+            # El componente de imagen de salida
+            image_output = gr.Image(
+                type="pil", # Asegura que el output sea un objeto PIL Image
+                label="Imagen Generada",
+                height=512,
+                width=512
+            )
+    
+    # Definir la acción al hacer clic en el botón
+    # gr.Click() conecta el botón, la función y el destino
+    generate_button.click(
+        fn=generar_imagen, 
+        inputs=prompt_input, 
+        outputs=image_output
+    )
+
+# Lanzar la aplicación Gradio
+# 'share=True' es útil para probar en Colab y compartir temporalmente
+demo.launch(inbrowser=True)

app6.py

@@ -1,16 +0,0 @@
-import gradio as gr
-import torch
-from PIL import Image
-from diffusers import DiffusionPipeline
-from transformers import pipeline
-
-modeloObtenerTextoImagen = pipeline("image-to-text", model="Salesforce/blip-image-captioning-base")
-modeloGenerarImagen = DiffusionPipeline.from_pretrained("sd-legacy/stable-diffusion-v1-5", torch_dtype=torch.float32)
-
-def obtenerDescripcion(imagen):
-    resultadoModeloTI = modeloObtenerTextoImagen(Image.fromarray(imagen))
-    print(f'La frase que se ha obtenido de la imagen es {resultadoModeloTI}')
-    return modeloGenerarImagen(resultadoModeloTI[0]['generated_text']).images[0]
-
-demo = gr.Interface(fn=obtenerDescripcion, inputs="image", outputs="image")
-demo.launch(share=True)