app.py

import gradio as gr
import spaces
from PIL import Image
from src.tryon_pipeline import StableDiffusionXLInpaintPipeline as TryonPipeline
from src.unet_hacked_garmnet import UNet2DConditionModel as UNet2DConditionModel_ref
from src.unet_hacked_tryon import UNet2DConditionModel
from transformers import (
    CLIPImageProcessor,
    CLIPVisionModelWithProjection,
    CLIPTextModel,
    CLIPTextModelWithProjection,
)
from diffusers import DDPMScheduler,AutoencoderKL
from typing import List

import torch
import os
from transformers import AutoTokenizer
import numpy as np
from utils_mask import get_mask_location
from torchvision import transforms
import apply_net
from preprocess.humanparsing.run_parsing import Parsing
from preprocess.openpose.run_openpose import OpenPose
from detectron2.data.detection_utils import convert_PIL_to_numpy,_apply_exif_orientation
from torchvision.transforms.functional import to_pil_image


def pil_to_binary_mask(pil_image, threshold=0):
    np_image = np.array(pil_image)
    grayscale_image = Image.fromarray(np_image).convert("L")
    binary_mask = np.array(grayscale_image) > threshold
    mask = np.zeros(binary_mask.shape, dtype=np.uint8)
    for i in range(binary_mask.shape[0]):
        for j in range(binary_mask.shape[1]):
            if binary_mask[i,j] == True :
                mask[i,j] = 1
    mask = (mask*255).astype(np.uint8)
    output_mask = Image.fromarray(mask)
    return output_mask


base_path = 'yisol/IDM-VTON'
example_path = os.path.join(os.path.dirname(__file__), 'example')

unet = UNet2DConditionModel.from_pretrained(
    base_path,
    subfolder="unet",
    torch_dtype=torch.float16,
)
unet.requires_grad_(False)
tokenizer_one = AutoTokenizer.from_pretrained(
    base_path,
    subfolder="tokenizer",
    revision=None,
    use_fast=False,
)
tokenizer_two = AutoTokenizer.from_pretrained(
    base_path,
    subfolder="tokenizer_2",
    revision=None,
    use_fast=False,
)
noise_scheduler = DDPMScheduler.from_pretrained(base_path, subfolder="scheduler")

text_encoder_one = CLIPTextModel.from_pretrained(
    base_path,
    subfolder="text_encoder",
    torch_dtype=torch.float16,
)
text_encoder_two = CLIPTextModelWithProjection.from_pretrained(
    base_path,
    subfolder="text_encoder_2",
    torch_dtype=torch.float16,
)
image_encoder = CLIPVisionModelWithProjection.from_pretrained(
    base_path,
    subfolder="image_encoder",
    torch_dtype=torch.float16,
    )
vae = AutoencoderKL.from_pretrained(base_path,
                                    subfolder="vae",
                                    torch_dtype=torch.float16,
)

# "stabilityai/stable-diffusion-xl-base-1.0",
UNet_Encoder = UNet2DConditionModel_ref.from_pretrained(
    base_path,
    subfolder="unet_encoder",
    torch_dtype=torch.float16,
)

parsing_model = Parsing(0)
openpose_model = OpenPose(0)

UNet_Encoder.requires_grad_(False)
image_encoder.requires_grad_(False)
vae.requires_grad_(False)
unet.requires_grad_(False)
text_encoder_one.requires_grad_(False)
text_encoder_two.requires_grad_(False)
tensor_transfrom = transforms.Compose(
            [
                transforms.ToTensor(),
                transforms.Normalize([0.5], [0.5]),
            ]
    )

pipe = TryonPipeline.from_pretrained(
        base_path,
        unet=unet,
        vae=vae,
        feature_extractor= CLIPImageProcessor(),
        text_encoder = text_encoder_one,
        text_encoder_2 = text_encoder_two,
        tokenizer = tokenizer_one,
        tokenizer_2 = tokenizer_two,
        scheduler = noise_scheduler,
        image_encoder=image_encoder,
        torch_dtype=torch.float16,
)
pipe.unet_encoder = UNet_Encoder

@spaces.GPU
def start_tryon(dict,garm_img,garment_des,is_checked,is_checked_crop,denoise_steps,seed):
    device = "cuda"
    
    openpose_model.preprocessor.body_estimation.model.to(device)
    pipe.to(device)
    pipe.unet_encoder.to(device)

    garm_img= garm_img.convert("RGB").resize((768,1024))
    human_img_orig = dict["background"].convert("RGB")    
    
    if is_checked_crop:
        width, height = human_img_orig.size
        target_width = int(min(width, height * (3 / 4)))
        target_height = int(min(height, width * (4 / 3)))
        left = (width - target_width) / 2
        top = (height - target_height) / 2
        right = (width + target_width) / 2
        bottom = (height + target_height) / 2
        cropped_img = human_img_orig.crop((left, top, right, bottom))
        crop_size = cropped_img.size
        human_img = cropped_img.resize((768,1024))
    else:
        human_img = human_img_orig.resize((768,1024))


    if is_checked:
        keypoints = openpose_model(human_img.resize((384,512)))
        model_parse, _ = parsing_model(human_img.resize((384,512)))
        mask, mask_gray = get_mask_location('hd', "upper_body", model_parse, keypoints)
        mask = mask.resize((768,1024))
    else:
        mask = pil_to_binary_mask(dict['layers'][0].convert("RGB").resize((768, 1024)))
        # mask = transforms.ToTensor()(mask)
        # mask = mask.unsqueeze(0)
    mask_gray = (1-transforms.ToTensor()(mask)) * tensor_transfrom(human_img)
    mask_gray = to_pil_image((mask_gray+1.0)/2.0)


    human_img_arg = _apply_exif_orientation(human_img.resize((384,512)))
    human_img_arg = convert_PIL_to_numpy(human_img_arg, format="BGR")
     
    

    args = apply_net.create_argument_parser().parse_args(('show', './configs/densepose_rcnn_R_50_FPN_s1x.yaml', './ckpt/densepose/model_final_162be9.pkl', 'dp_segm', '-v', '--opts', 'MODEL.DEVICE', 'cuda'))
    # verbosity = getattr(args, "verbosity", None)
    pose_img = args.func(args,human_img_arg)    
    pose_img = pose_img[:,:,::-1]    
    pose_img = Image.fromarray(pose_img).resize((768,1024))
    
    with torch.no_grad():
        # Extract the images
        with torch.cuda.amp.autocast():
            with torch.no_grad():
                prompt = "model is wearing " + garment_des
                negative_prompt = "monochrome, lowres, bad anatomy, worst quality, low quality"
                with torch.inference_mode():
                    (
                        prompt_embeds,
                        negative_prompt_embeds,
                        pooled_prompt_embeds,
                        negative_pooled_prompt_embeds,
                    ) = pipe.encode_prompt(
                        prompt,
                        num_images_per_prompt=1,
                        do_classifier_free_guidance=True,
                        negative_prompt=negative_prompt,
                    )
                                    
                    prompt = "a photo of " + garment_des
                    negative_prompt = "monochrome, lowres, bad anatomy, worst quality, low quality"
                    if not isinstance(prompt, List):
                        prompt = [prompt] * 1
                    if not isinstance(negative_prompt, List):
                        negative_prompt = [negative_prompt] * 1
                    with torch.inference_mode():
                        (
                            prompt_embeds_c,
                            _,
                            _,
                            _,
                        ) = pipe.encode_prompt(
                            prompt,
                            num_images_per_prompt=1,
                            do_classifier_free_guidance=False,
                            negative_prompt=negative_prompt,
                        )



                    pose_img =  tensor_transfrom(pose_img).unsqueeze(0).to(device,torch.float16)
                    garm_tensor =  tensor_transfrom(garm_img).unsqueeze(0).to(device,torch.float16)
                    generator = torch.Generator(device).manual_seed(seed) if seed is not None else None
                    images = pipe(
                        prompt_embeds=prompt_embeds.to(device,torch.float16),
                        negative_prompt_embeds=negative_prompt_embeds.to(device,torch.float16),
                        pooled_prompt_embeds=pooled_prompt_embeds.to(device,torch.float16),
                        negative_pooled_prompt_embeds=negative_pooled_prompt_embeds.to(device,torch.float16),
                        num_inference_steps=denoise_steps,
                        generator=generator,
                        strength = 1.0,
                        pose_img = pose_img.to(device,torch.float16),
                        text_embeds_cloth=prompt_embeds_c.to(device,torch.float16),
                        cloth = garm_tensor.to(device,torch.float16),
                        mask_image=mask,
                        image=human_img, 
                        height=1024,
                        width=768,
                        ip_adapter_image = garm_img.resize((768,1024)),
                        guidance_scale=2.0,
                    )[0]

    if is_checked_crop:
        out_img = images[0].resize(crop_size)        
        human_img_orig.paste(out_img, (int(left), int(top)))    
        return human_img_orig, mask_gray
    else:
        return images[0], mask_gray
    # return images[0], mask_gray

garm_list = os.listdir(os.path.join(example_path,"cloth"))
garm_list_path = [os.path.join(example_path,"cloth",garm) for garm in garm_list]

human_list = os.listdir(os.path.join(example_path,"human"))
human_list_path = [os.path.join(example_path,"human",human) for human in human_list]

human_ex_list = []
for ex_human in human_list_path:
    ex_dict= {}
    ex_dict['background'] = ex_human
    ex_dict['layers'] = None
    ex_dict['composite'] = None
    human_ex_list.append(ex_dict)

##default human

_HEADER_ = '''
<h2><b>👗 LUNAAR: Fotoğraftan Anında Kıyafet Deneme Deneyimi</b></h2>
LUNAAR, kullanıcıların bir fotoğraf üzerinden kıyafetleri anında denemelerini sağlayan devrim niteliğinde yapay zeka destekli bir platformdur. 🌟

🔧 **Nasıl Çalışır?**
1. **Fotoğrafınızı Yükleyin:** Kullanıcı, insan fotoğrafını ve denemek istediği kıyafetin görselini sisteme yükler.
2. **Arka Planı Temizleyin:** Otomatik maskeleme özelliği ile yapay zeka, insan fotoğrafındaki arka planı temizler. İsterseniz manuel maskeleme de yapabilirsiniz.
3. **Kıyafeti Giydirin:** Platform, kıyafeti kişinin üzerine mükemmel şekilde giydirir. Kıyafet vücut yapısına göre uyarlanır, detaylar titizlikle işlenir.
4. **Sonuçları Görün:** Sanal deneme tamamlandığında, kıyafet gerçekçi bir şekilde kişinin üzerine yerleştirilir ve yüksek çözünürlüklü sonuç sunulur.

💡 **Neden LUNAAR?**
- **Gerçekçi ve Yüksek Kalite:** En küçük detaylara kadar gerçekçi sonuçlar, kullanıcı deneyimini artırır.
- **Geniş Uygulama Alanı:** Moda, e-ticaret, sosyal medya ve kişisel stil danışmanlığı gibi pek çok alanda kullanılabilir.
- **Kolay Entegrasyon:** E-ticaret siteleri ve mobil uygulamalara kolayca entegre edilebilir. Müşteriler kıyafetleri sanal olarak deneyip karar verebilir.
- **Hızlı ve Doğru Sonuçlar:** Yüksek hız ve doğrulukla, kıyafetleri anında kişinin üzerine yerleştirir.
- **Moda Dünyasında Devrim:** Sanal giyim deneyimi, mağazalar için geri dönüşleri azaltır ve müşteri memnuniyetini artırır.

💡 **Dikkat Edilmesi Gerekenler:**
- 📸 **Fotoğraf Kalitesi:** Yüksek çözünürlüklü ve doğru açıyla çekilen fotoğraflar, daha doğru sonuçlar sağlar.
- 👚 **Kıyafet Detayları:** Kıyafetin rengi, dokusu ve yapısı, platformun işleyişini etkileyebilir.
- 🧑‍💻 **Detay Değeri:** Farklı detay değerleri ile sonuçlar optimize edilebilir. (Varsayılan: 42)
- 🖼️ **Arka Plan Kullanımı:** Otomatik maskeleme işlemi, bazı karmaşık arka planlarda manuel müdahale gerektirebilir.
'''

_CITE_ = r"""
LUNAAR'ı beğendiyseniz, daha fazla bilgi için <a href='https://github.com/TencentARC/InstantMesh' target='_blank'>Github Repo</a>'ya ⭐ verin. Teşekkürler!

📧 **İletişim**

Sorularınız mı var? Bize <b>spark@lunaarvision.com</b> üzerinden ulaşabilirsiniz.
"""

theme = gr.themes.Soft()

with gr.Blocks(theme=theme, css="footer{display:none !important}") as demo:
    gr.Markdown(_HEADER_)
    with gr.Row():
        with gr.Column():
            imgs = gr.ImageEditor(sources='upload', type="pil", label='Fotoğraf', interactive=True)
            with gr.Row():
                is_checked = gr.Checkbox(label="Evet", info="Otomatik oluşturulan maskeyi kullan (5 saniye)", value=True)
            with gr.Row():
                is_checked_crop = gr.Checkbox(label="Evet", info="Otomatik kırpma ve boyutlandırma kullan", value=False)

            example = gr.Examples(inputs=imgs, examples_per_page=10, examples=human_ex_list)

        with gr.Column():
            garm_img = gr.Image(label="Kıyafet Görseli", sources='upload', type="pil")
            with gr.Row(elem_id="prompt-container"):
                with gr.Row():
                    prompt = gr.Textbox(placeholder="Kıyafet açıklaması (örneğin, Kısa Kollu Yuvarlak Yaka T-shirt)", show_label=False, elem_id="prompt")
            example = gr.Examples(inputs=garm_img, examples_per_page=8, examples=garm_list_path)

        with gr.Column():
            masked_img = gr.Image(label="Maskelenmiş Görüntü", elem_id="masked-img", show_share_button=False)
        
        with gr.Column():
            image_out = gr.Image(label="Sonuç", elem_id="output-img", show_share_button=False)

    with gr.Column():
        try_button = gr.Button(value="Kıyafeti Deneyin")
        with gr.Accordion(label="Gelişmiş Ayarlar", open=False):
            with gr.Row():
                denoise_steps = gr.Number(label="Gürültü Giderme Adımları", minimum=20, maximum=40, value=30, step=1)
                seed = gr.Number(label="Detay Değer", minimum=-1, maximum=2147483647, step=1, value=42)

    try_button.click(fn=start_tryon, inputs=[imgs, garm_img, prompt, is_checked, is_checked_crop, denoise_steps, seed], outputs=[image_out, masked_img], api_name='tryon')

demo.launch()