Update app.py

app.py

@@ -1,87 +1,55 @@
-import gradio as gr
-import subprocess
-import os
-
-# Não precisamos mais de nenhuma função de setup, clone ou pip install aqui!
-# O Dockerfile já cuidou de tudo.
-
-def run_inference_app(video_file, seed_num):
-    if video_file is None:
-        return None, "Por favor, envie um arquivo de vídeo."
-    
-    # O app roda de dentro do diretório /app/SeedVR, então os caminhos são relativos
-    input_folder = "inputs"
-    os.makedirs(input_folder, exist_ok=True)
-    
-    # O Gradio nos dá um caminho temporário, vamos movê-lo para um local conhecido
-    input_video_path = os.path.join(input_folder, os.path.basename(video_file.name))
-    os.rename(video_file.name, input_video_path)
-        
-    output_folder = "outputs"
-    os.makedirs(output_folder, exist_ok=True)
-    
-    # Comando de inferência. O ambiente conda já está "ativado" graças ao Dockerfile.
-    command = [
-        "torchrun", "--nproc-per-node=4",
-        "projects/inference_seedvr2_3b.py",
-        "--video_path", input_folder,
-        "--output_dir", output_folder,
-        "--seed", str(seed_num),
-        "--res_h", "320",
-        "--res_w", "512",
-    ]
-
-    log_output = "Iniciando a inferência...\n" + ' '.join(command) + "\n\n"
-    
-    try:
-        process = subprocess.Popen(
-            command,
-            stdout=subprocess.PIPE,
-            stderr=subprocess.STDOUT,
-            text=True,
-            encoding='utf-8'
-        )
-
-        while True:
-            line = process.stdout.readline()
-            if not line:
-                break
-            log_output += line
-            print(line.strip())
-            yield None, log_output
-
-        process.wait()
-
-        if process.returncode != 0:
-            raise RuntimeError("O script de inferência falhou. Verifique os logs.")
-        
-        result_files = [os.path.join(output_folder, f) for f in os.listdir(output_folder) if f.endswith('.mp4')]
-        if not result_files:
-            return None, log_output + "\n\nERRO: Nenhum vídeo foi gerado."
-            
-        return result_files, log_output + "\n\nInferência concluída com sucesso!"
-
-    except Exception as e:
-        error_message = f"{log_output}\n\nOcorreu um erro: {str(e)}"
-        return None, error_message
-
-with gr.Blocks() as demo:
-    gr.Markdown("# 🚀 Inferência SeedVR2 com Ambiente Conda")
-    gr.Markdown("Este ambiente foi construído com Conda usando um Dockerfile para máxima estabilidade.")
-
-    with gr.Row():
-        with gr.Column(scale=1):
-            video_input = gr.File(label="Vídeo de Entrada")
-            seed_input = gr.Number(label="Seed", value=123)
-            run_button = gr.Button("Gerar Vídeo", variant="primary")
-        with gr.Column(scale=2):
-            gallery_output = gr.Gallery(label="Vídeo de Saída", show_label=True)
-            log_display = gr.Textbox(label="Logs de Execução", lines=15, interactive=False, autoscroll=True)
-            
-    run_button.click(
-        fn=run_inference_app,
-        inputs=[video_input, seed_input],
-        outputs=[gallery_output, log_display]
-    )
-
-demo.launch()
+# Dockerfile (VERSÃO FINAL CORRIGIDA)
+
+# 1. COMEÇAR COM A BASE CORRETA: Uma imagem oficial da NVIDIA com CUDA 12.1.1 e as ferramentas de desenvolvimento (devel)
+FROM nvidia/cuda:12.1.1-devel-ubuntu22.04
+
+# 2. INSTALAR DEPENDÊNCIAS DO SISTEMA
+# Precisamos de wget para baixar o miniconda e git para clonar o repositório.
+# DEBIAN_FRONTEND=noninteractive evita que a instalação peça inputs.
+ENV DEBIAN_FRONTEND=noninteractive
+RUN apt-get update && apt-get install -y --no-install-recommends \
+    wget \
+    git \
+    && apt-get clean \
+    && rm -rf /var/lib/apt/lists/*
+
+# 3. INSTALAR O MINICONDA SOBRE A IMAGEM NVIDIA
+# Baixamos o instalador, executamos em modo silencioso (-b) no diretório /opt/conda (-p)
+# e depois limpamos o instalador.
+RUN wget --quiet https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda.sh && \
+    /bin/bash ~/miniconda.sh -b -p /opt/conda && \
+    rm ~/miniconda.sh
+
+# 4. ADICIONAR CONDA AO PATH DO SISTEMA
+# Isso garante que os comandos 'conda' e 'pip' usarão a instalação que acabamos de fazer.
+ENV PATH /opt/conda/bin:$PATH
+
+# 5. CRIAR O AMBIENTE CONDA A PARTIR DO NOSSO ARQUIVO
+# Copiamos o environment.yml e deixamos o conda instalar as dependências principais.
+COPY environment.yml .
+RUN conda env create -f environment.yml
+
+# 6. INSTALAR FLASH_ATTN DENTRO DO AMBIENTE
+# Agora este comando vai funcionar, pois nvcc e CUDA_HOME estão presentes na imagem base.
+# 'conda run -n seedvr ...' executa o comando dentro do nosso ambiente específico.
+RUN conda run -n seedvr pip install "flash_attn==2.5.9.post1" --no-build-isolation
+
+# 7. DEFINIR O AMBIENTE CONDA COMO PADRÃO PARA O RESTO DO DOCKERFILE
+# Esta é a linha corrigida, em formato JSON válido e completo.
+SHELL ["conda", "run", "-n", "seedvr", "/bin/bash", "-c"]
+
+# 8. PREPARAR O APLICATIVO
+WORKDIR /app
+RUN git clone https://github.com/bytedance-seed/SeedVR.git
+WORKDIR /app/SeedVR
+
+# 9. BAIXAR O MODELO DURANTE A CONSTRUÇÃO
+# O comando huggingface-cli já está disponível no ambiente conda.
+RUN huggingface-cli download ByteDance-Seed/SeedVR2-3B --local-dir ckpts --local-dir-use-symlinks False
+
+# 10. COPIAR O CÓDIGO DO NOSSO APP
+COPY app.py .
+
+# 11. DEFINIR O COMANDO DE EXECUÇÃO
+# O comando 'python' já será o do ambiente 'seedvr'.
+CMD ["python", "app.py"]