lcm

Dockerfile

@@ -1,30 +1,32 @@
-# Imagen base para CUDA y PyTorch
+# Usa una imagen base con soporte para Python y CUDA
 FROM nvidia/cuda:11.7.1-cudnn8-runtime-ubuntu20.04
 
-# Configuración de entornos
+# Establece variables de entorno necesarias
 ENV TRANSFORMERS_CACHE="/app/.cache" \
-    HF_HOME="/app/.cache"
+    HF_HOME="/app/.cache" \
+    PATH="/opt/conda/bin:$PATH"
 
-# Instalación de herramientas básicas
+# Instala dependencias básicas
 RUN apt-get update && apt-get install -y \
     python3 \
     python3-pip \
     git \
     && rm -rf /var/lib/apt/lists/*
 
-# Instala dependencias de Python
-RUN pip install --upgrade pip
-RUN pip install torch torchvision diffusers fastapi uvicorn pillow prs-eth-marigold
-
-# Crea directorios necesarios
+# Establece el directorio de trabajo
 WORKDIR /app
+
 RUN mkdir -p /app/.cache && chmod -R 777 /app/.cache
 
-# Copia el código de la aplicación
-COPY . /app
+# Copia el archivo requirements.txt al contenedor
+COPY requirements.txt /app/requirements.txt
 
-# Expone el puerto de FastAPI
-EXPOSE 8000
+# Instala las dependencias necesarias
+RUN pip install --upgrade pip
+RUN pip install -r requirements.txt
+
+# Copia los archivos de la aplicación al contenedor
+COPY . /app
 
-# Comando de inicio
-CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]
+# Comando para ejecutar la aplicación
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -1,30 +1,44 @@
-from fastapi import FastAPI, UploadFile, File
+import diffusers
+import torch
+from fastapi import FastAPI, UploadFile, HTTPException
 from PIL import Image
-from prs_eth_marigold import MarigoldDepthPipeline
 
 app = FastAPI()
 
-# Carga el modelo Marigold al inicio
-pipe = MarigoldDepthPipeline.from_pretrained(
-    "prs-eth/marigold-depth-v1-0", torch_dtype="auto"
-).to("cuda")
+# Inicializa el pipeline al arrancar el servidor
+@app.on_event("startup")
+async def startup_event():
+    global pipe
+    print("[DEBUG] Cargando modelo Marigold...")
+    pipe = diffusers.MarigoldDepthPipeline.from_pretrained(
+        "prs-eth/marigold-depth-lcm-v1-0", variant="fp16", torch_dtype=torch.float16
+    ).to("cuda")
+    print("[DEBUG] Modelo Marigold cargado exitosamente.")
 
-@app.post("/generate-depth/")
-async def generate_depth(file: UploadFile = File(...)):
-    """
-    Genera un mapa de profundidad a partir de una imagen.
-    """
+@app.post("/predict-depth/")
+async def predict_depth(file: UploadFile):
     try:
-        image = Image.open(file.file)
+        # Verifica si el archivo es una imagen válida
+        if not file.content_type.startswith("image/"):
+            raise HTTPException(status_code=400, detail="El archivo subido no es una imagen.")
 
-        result = pipe(image).images[0]
+        # Carga la imagen desde el archivo subido
+        image = Image.open(file.file).convert("RGB")
 
-        output_path = "/app/output_depth_map.png"
-        result.save(output_path)
+        # Realiza la predicción de profundidad
+        print("[DEBUG] Realizando predicción de profundidad...")
+        depth = pipe(image)
 
-        return {"message": "Mapa de profundidad generado", "output_path": output_path}
+        # Visualiza la profundidad
+        vis = pipe.image_processor.visualize_depth(depth.prediction)
+        output_path = "predicted_depth.png"
+        vis[0].save(output_path)
+
+        return {"message": "Predicción completada", "output_file": output_path}
     except Exception as e:
-        return {"error": str(e)}
+        print(f"[ERROR] {str(e)}")
+        raise HTTPException(status_code=500, detail="Error procesando la imagen.")
+
     
 @app.get("/")
 async def root():