Optimizar modelo LDM para reducir consumo de cuota GPU

app.py

@@ -389,15 +389,24 @@ def load_image_model(model_name):
             # Configuración especial para LDM
             elif "ldm-text2im" in model_name:
                 try:
+                    print("🎨 Cargando Latent Diffusion Model con optimizaciones...")
                     from diffusers import DiffusionPipeline
+                    
+                    # Configuración optimizada para LDM (más conservadora)
                     pipe = DiffusionPipeline.from_pretrained(
                         model_name,
-                        torch_dtype=torch_dtype,
-                        safety_checker=None
+                        torch_dtype=torch.float32,  # Usar float32 para mayor compatibilidad
+                        safety_checker=None,
+                        low_cpu_mem_usage=True,  # Reducir uso de memoria
+                        device_map="auto"  # Asignación automática de dispositivo
                     )
+                    
+                    print("✅ LDM cargado con optimizaciones de memoria")
+                    
                 except Exception as e:
-                    print(f"Error cargando LDM: {e}")
-                    # Fallback a SD 1.4
+                    print(f"❌ Error cargando LDM: {e}")
+                    print("🔄 Fallback a SD 1.4 (más eficiente)...")
+                    # Fallback a SD 1.4 que es mucho más eficiente
                     pipe = StableDiffusionPipeline.from_pretrained(
                         "CompVis/stable-diffusion-v1-4",
                         torch_dtype=torch_dtype,
@@ -810,6 +819,13 @@ def generate_image(prompt, model_name, negative_prompt="", seed=0, width=1024, h
             guidance_scale = max(3.5, min(guidance_scale, 4.5))
             num_inference_steps = max(20, num_inference_steps)  # Reducir de 28 a 20
             print(f"🌟 SD 3.5 Large - Ajustando parámetros: guidance={guidance_scale}, steps={num_inference_steps}")
+        elif "ldm-text2im" in model_name.lower():
+            # LDM es muy pesado, usar parámetros muy conservadores
+            guidance_scale = min(guidance_scale, 2.0)  # Muy bajo guidance
+            num_inference_steps = min(num_inference_steps, 8)  # Muy pocos pasos
+            width = min(width, 512)  # Resolución más pequeña
+            height = min(height, 512)
+            print(f"🎨 LDM - Ajustando parámetros ultra conservadores: guidance={guidance_scale}, steps={num_inference_steps}, size={width}x{height}")
         else:
             # Para otros modelos, usar menos pasos por defecto
             num_inference_steps = min(num_inference_steps, 15)  # Reducir de 20 a 15