Delete managers/vae_manager.py

managers/vae_manager.py

@@ -1,96 +0,0 @@
-# FILE: managers/vae_manager.py (Versão Final com vae_decode corrigido)
-
-import torch
-import contextlib
-import logging
-import sys
-from pathlib import Path
-import os
-import io
-
-LTX_VIDEO_REPO_DIR = Path("/data/LTX-Video")
-
-def add_deps_to_path():
-    """
-    Adiciona o diretório do repositório LTX ao sys.path para garantir que suas
-    bibliotecas possam ser importadas.
-    """
-    repo_path = str(LTX_VIDEO_REPO_DIR.resolve())
-    if repo_path not in sys.path:
-        sys.path.insert(0, repo_path)
-        logging.info(f"[ltx_utils] LTX-Video repository added to sys.path: {repo_path}")
-
-# Executa a função imediatamente para configurar o ambiente antes de qualquer importação.
-add_deps_to_path()
-
-
-# --- IMPORTAÇÃO CRÍTICA ---
-# Importa a função helper oficial da biblioteca LTX para decodificação.
-try:
-    from ltx_video.models.autoencoders.vae_encode import vae_decode
-except ImportError:
-    raise ImportError("Could not import 'vae_decode' from LTX-Video library. Check sys.path and repo integrity.")
-
-
-class _SimpleVAEManager:
-    """
-    Manages VAE decoding, now using the official 'vae_decode' helper function
-    for maximum compatibility.
-    """
-    def __init__(self):
-        self.pipeline = None
-        self.device = torch.device("cpu")
-        self.autocast_dtype = torch.float32
-
-    def attach_pipeline(self, pipeline, device=None, autocast_dtype=None):
-        self.pipeline = pipeline
-        if device is not None:
-            self.device = torch.device(device)
-            logging.info(f"[VAEManager] VAE device successfully set to: {self.device}")
-        if autocast_dtype is not None:
-            self.autocast_dtype = autocast_dtype
-
-    @torch.no_grad()
-    def decode(self, latent_tensor: torch.Tensor, decode_timestep: float = 0.05) -> torch.Tensor:
-        """
-        Decodes a latent tensor into a pixel tensor using the 'vae_decode' helper.
-        """
-        if self.pipeline is None:
-            raise RuntimeError("VAEManager: No pipeline has been attached.")
-        
-        # Move os latentes para o dispositivo VAE dedicado.
-        latent_tensor_on_vae_device = latent_tensor.to(self.device)
-
-        # Prepara o tensor de timesteps no mesmo dispositivo.
-        num_items_in_batch = latent_tensor_on_vae_device.shape[0]
-        timestep_tensor = torch.tensor([decode_timestep] * num_items_in_batch, device=self.device)
-    
-        autocast_device_type = self.device.type
-        ctx = torch.autocast(
-            device_type=autocast_device_type,
-            dtype=self.autocast_dtype,
-            enabled=(autocast_device_type == 'cuda')
-        )
-        
-        with ctx:
-            logging.debug(f"[VAEManager] Decoding latents with shape {latent_tensor_on_vae_device.shape} on {self.device}.")
-            
-            # --- CORREÇÃO PRINCIPAL ---
-            # Usa a função helper `vae_decode` em vez de chamar `vae.decode` diretamente.
-            # Esta função sabe como lidar com o argumento 'timestep'.
-            pixels = vae_decode(
-                latents=latent_tensor_on_vae_device,
-                vae=self.pipeline.vae,
-                is_video=True,
-                timestep=timestep_tensor,
-                vae_per_channel_normalize=True, # Importante manter este parâmetro consistente
-            )
-    
-        # A função vae_decode já retorna no intervalo [0, 1], mas um clamp extra não faz mal.
-        pixels = pixels.clamp(0, 1)
-        
-        logging.debug("[VAEManager] Decoding complete. Moving pixel tensor to CPU.")
-        return pixels.cpu()
-
-# Singleton global
-vae_manager_singleton = _SimpleVAEManager()