Delete LTX-Video/ltx_video/pipelines/spy_late.py

LTX-Video/ltx_video/pipelines/spy_late.py

@@ -1,115 +0,0 @@
-# spy_latent.py
-
-import torch
-import os
-import traceback
-from einops import rearrange
-from torchvision.utils import save_image
-
-# Tenta importar o VAE do pipeline. Se não conseguir, a visualização será desativada.
-try:
-    from ltx_video.models.autoencoders.causal_video_autoencoder import CausalVideoAutoencoder
-except ImportError:
-    CausalVideoAutoencoder = None
-
-class SpyLatent:
-    """
-    Uma classe para inspecionar tensores latentes em vários estágios de um pipeline.
-    Imprime estatísticas e pode salvar visualizações decodificadas por um VAE.
-    """
-    def __init__(self, vae=None, output_dir: str = "/app/output"):
-        """
-        Inicializa o espião.
-
-        Args:
-            vae: A instância do modelo VAE para decodificar os latentes. Se for None,
-                 a visualização será desativada.
-            output_dir (str): O diretório padrão para salvar as imagens de visualização.
-        """
-        self.vae = vae
-        self.output_dir = output_dir
-        self.device = vae.device if hasattr(vae, 'device') else torch.device("cpu")
-        
-        if self.vae is None:
-            print("[SpyLatent] AVISO: VAE não fornecido. A funcionalidade de visualização de imagem está desativada.")
-
-    def inspect(
-        self,
-        tensor: torch.Tensor,
-        tag: str,
-        reference_shape_5d: tuple = None,
-        save_visual: bool = True,
-    ):
-        """
-        Inspeciona um tensor latente.
-
-        Args:
-            tensor (torch.Tensor): O tensor a ser inspecionado.
-            tag (str): Um rótulo para identificar o ponto de inspeção nos logs.
-            reference_shape_5d (tuple, optional): A forma 5D de referência (B, C, F, H, W)
-                                                  necessária se o tensor de entrada for 3D.
-            save_visual (bool): Se True, decodifica com o VAE e salva uma imagem.
-        """
-        print(f"\n--- [INSPEÇÃO DE LATENTE: {tag}] ---")
-        if not isinstance(tensor, torch.Tensor):
-            print(f"  AVISO: O objeto fornecido para '{tag}' não é um tensor.")
-            print("--- [FIM DA INSPEÇÃO] ---\n")
-            return
-
-        try:
-            # --- Imprime Estatísticas do Tensor Original ---
-            self._print_stats("Tensor Original", tensor)
-
-            # --- Converte para 5D se necessário ---
-            tensor_5d = self._to_5d(tensor, reference_shape_5d)
-            if tensor_5d is not None and tensor.ndim == 3:
-                self._print_stats("Convertido para 5D", tensor_5d)
-
-            # --- Visualização com VAE ---
-            if save_visual and self.vae is not None and tensor_5d is not None:
-                os.makedirs(self.output_dir, exist_ok=True)
-                print(f"  VISUALIZAÇÃO (VAE): Salvando imagem em {self.output_dir}...")
-                
-                frame_idx_to_viz = min(1, tensor_5d.shape[2] - 1)
-                if frame_idx_to_viz < 0:
-                    print("  VISUALIZAÇÃO (VAE): Tensor não tem frames para visualizar.")
-                else:
-                    print(f"  VISUALIZAÇÃO (VAE): Usando frame de índice {frame_idx_to_viz}.")
-                    latent_slice = tensor_5d[:, :, frame_idx_to_viz:frame_idx_to_viz+1, :, :]
-                    
-                    with torch.no_grad(), torch.autocast(device_type=self.device.type):
-                        pixel_slice = self.vae.decode(latent_slice / self.vae.config.scaling_factor).sample
-
-                    save_image((pixel_slice / 2 + 0.5).clamp(0, 1), os.path.join(self.output_dir, f"inspect_{tag.lower()}.png"))
-                    print("  VISUALIZAÇÃO (VAE): Imagem salva.")
-
-        except Exception as e:
-            print(f"  ERRO na inspeção: {e}")
-            traceback.print_exc()
-        finally:
-            print("--- [FIM DA INSPEÇÃO] ---\n")
-
-    def _to_5d(self, tensor: torch.Tensor, shape_5d: tuple) -> torch.Tensor:
-        """Converte um tensor 3D patchificado de volta para 5D."""
-        if tensor.ndim == 5:
-            return tensor
-        if tensor.ndim == 3 and shape_5d:
-            try:
-                b, c, f, h, w = shape_5d
-                return rearrange(tensor, "b (f h w) c -> b c f h w", c=c, f=f, h=h, w=w)
-            except Exception as e:
-                print(f"  AVISO: Erro ao rearranjar tensor 3D para 5D: {e}. A visualização pode falhar.")
-                return None
-        return None
-
-    def _print_stats(self, prefix: str, tensor: torch.Tensor):
-        """Helper para imprimir estatísticas de um tensor."""
-        mean = tensor.mean().item()
-        std = tensor.std().item()
-        min_val = tensor.min().item()
-        max_val = tensor.max().item()
-        print(f"  {prefix}: Shape={list(tensor.shape)}, Mean={mean:.4f}, Std={std:.4f}, Min={min_val:.4f}, Max={max_val:.4f}")
-
-# Exemplo de como instanciar globalmente (se desejado)
-# spy = SpyLatent() 
-# A melhor prática é instanciar dentro da sua classe principal, passando o VAE.