app.py

import streamlit as st
from diffusers import DiffusionPipeline
import torch
from PIL import Image
import io
import gc  # Import garbage collection

# Заголовок приложения
st.title("Генератор изображений с LCM Dreamshaper")
st.write("Используйте эту модель для быстрой генерации изображений на CPU")

# Создаем область для настроек
with st.sidebar:
    st.header("Настройки")
    prompt = st.text_area("Введите ваш запрос:", "hoaxx kitty", height=100)
    
    num_inference_steps = st.slider(
        "Количество шагов инференса:", 
        min_value=1, 
        max_value=50, 
        value=5,
        help="Больше шагов = выше качество, но медленнее"
    )
    
    guidance_scale = st.slider(
        "Guidance Scale:", 
        min_value=1.0, 
        max_value=15.0, 
        value=8.0,
        step=0.5,
        help="Насколько строго модель следует промпту"
    )
    
    lcm_origin_steps = st.slider(
        "LCM Origin Steps:", 
        min_value=1, 
        max_value=50, 
        value=35
    )
    
    generate_button = st.button("Сгенерировать изображение")

# Загружаем модель при первом запуске
@st.cache_resource
def load_model():
    pipe = DiffusionPipeline.from_pretrained(
        "SimianLuo/LCM_Dreamshaper_v7", 
        torch_dtype=torch.float32
    )
    pipe.to("cpu")
    pipe.enable_attention_slicing()
    pipe.safety_checker = None
    return pipe

# Функция для генерации изображения
def generate_image(pipe, prompt, steps, guidance, lcm_steps):
    try:
        with torch.inference_mode():
            images = pipe(
                prompt=prompt, 
                num_inference_steps=steps, 
                guidance_scale=guidance, 
                lcm_origin_steps=lcm_steps, 
                output_type="pil"
            ).images
        return images[0]
    except Exception as e:
        st.error(f"Error generating image: {e}")
        return None

# Загружаем модель
pipe = load_model()

# Отображаем прогресс и результат
if generate_button:
    with st.spinner("Генерация изображения..."):
        # Создаем место для вывода изображения
        result_container = st.empty()
        
        # Генерируем изображение
        image = generate_image(
            pipe, 
            prompt, 
            num_inference_steps, 
            guidance_scale, 
            lcm_origin_steps
        )
        
        # Показываем результат
        if image:  # Only display if image generation was successful
            result_container.image(image, caption=f"Результат для: {prompt}", use_container_width=True)  # Use use_container_width
            
            # Предлагаем скачать
            buf = io.BytesIO()
            image.save(buf, format="PNG")
            byte_im = buf.getvalue()
            
            st.download_button(
                label="Скачать изображение",
                data=byte_im,
                file_name="generated_image.png",
                mime="image/png"
            )
        
        gc.collect()  # Garbage collection after image generation

# Инструкции по использованию
if not generate_button:
    st.write("👈 Настройте параметры в боковой панели и нажмите 'Сгенерировать изображение'")