File size: 4,205 Bytes
6846e20 4c2fdbc 25bbb9e | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 | ---
license: mit
language:
- fr
pipeline_tag: image-to-image
datasets:
- Clemylia/Mandalas
---
# 🎨 Dranina - Votre Coloriage Automatique de Mandalas \!
## 🌟 Aperçu du Modèle
Bienvenue dans l'univers de **Dranina**, un modèle de *machine learning* conçu pour transformer instantanément vos dessins de mandalas en noir et blanc en œuvres entièrement colorées \! 🚀
Dranina est un réseau neuronal de type **U-Net**, entraîné sur une collection de paires d'images (mandala non colorié ➡️ mandala colorié) pour apprendre l'art de la colorisation.
| Détail | Description |
| :--- | :--- |
| **Tâche Principale** | Colorisation Image-to-Image (Noir et Blanc ➡️ Couleur) |
| **Architecture** | U-Net (PyTorch) |
| **Entraîné sur** | Dataset privée (Mandalas variés) |
| **Idéal pour** | Les artistes numériques et les développeurs souhaitant intégrer la colorisation automatique. |
-----
## 💻 Comment Utiliser Dranina (Inférence)
Vous pouvez intégrer le modèle Dranina dans vos propres applications ou l'utiliser directement dans un environnement Python (comme Google Colab).
### 1\. Prérequis
Assurez-vous d'avoir les bibliothèques essentielles pour le chargement du modèle PyTorch et l'accès au Hub Hugging Face :
```bash
pip install torch torchvision pillow huggingface_hub
```
### 2\. Chargement du Modèle
Le modèle est stocké sur le Hub sous forme d'un fichier de poids binaire. Vous devez définir la structure U-Net puis charger les poids.
```python
import torch
from torchvision import transforms
from PIL import Image
from huggingface_hub import hf_hub_download
# (Nécessite la définition des classes double_conv, Up, et DraninaUnet)
# --- Paramètres ---
MODEL_ID = "Clemylia/Dranina-Mandala-Colorizer"
MODEL_FILENAME = "pytorch_model.bin"
def charger_et_predire(input_image_path):
# 1. Téléchargement des poids
model_path = hf_hub_download(repo_id=MODEL_ID, filename=MODEL_FILENAME)
# 2. Instanciation de l'architecture et chargement des poids
# NOTE: Assurez-vous d'avoir défini les classes DraninaUnet, Up, etc.
model = DraninaUnet(n_channels=3, n_classes=3)
state_dict = torch.load(model_path, map_location=torch.device("cpu"))
model.load_state_dict(state_dict)
model.eval() # Mode évaluation
# 3. Prédiction (Utilisez vos propres fonctions de prédiction ici)
# ... (Code de prédiction qui transforme l'image et utilise model(input_tensor))
# Retourne l'image coloriée
return image_coloree
```
👉 Pour une démonstration interactive, visitez notre [Hugging Face Space](https://www.google.com/search?q=https://huggingface.co/spaces/Clemylia/Dranina-Mandala-App) \!
-----
## 🚧 Limitations et Points Importants
Afin d'obtenir les meilleurs résultats, veuillez tenir compte de ces points :
### 1\. Palette de Couleurs Moyenne 🌈
Dranina a été entraîné en utilisant la **L1 Loss** (Erreur Absolue Moyenne). Ce type de fonction de perte a tendance à favoriser des choix de couleurs **"sûres"** ou **moyennes** pour minimiser les erreurs.
* **Observation :** Si les mandalas produits vous semblent manquer de saturation ou si la palette de couleurs est répétitive, cela est dû à la nature de la fonction de perte. Le modèle évite les couleurs trop vives ou trop sombres si elles ne sont pas dominantes dans la *dataset* d'entraînement.
### 2\. Résolution d'Entrée
Le modèle est optimisé pour des images carrées et redimensionne l'entrée à **$256 \\times 256$ pixels** avant l'inférence. Pour une qualité optimale, essayez de fournir des images d'entrée claires, sans bruit, et proches de ce format.
-----
## 🤝 Contribution et Retour
Votre avis est précieux \! Si vous utilisez Dranina, n'hésitez pas à :
1. **Signaler les problèmes (Issues)** si vous rencontrez des erreurs techniques.
2. **Partager vos résultats** et vos retours sur la qualité de la colorisation.
3. **Contribuer** en proposant des améliorations ou en partageant une version améliorée du modèle (par exemple, avec une Perte Perceptuelle) \!
Bonne colorisation \! ✨ |