You can deploy this model and start earning money today!

Finisha-LLM/
Dranina-Mandala-Colorizer

Views

No views yet

🎨 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 :

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 !

🚧 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 :

Signaler les problèmes (Issues) si vous rencontrez des erreurs techniques.
Partager vos résultats et vos retours sur la qualité de la colorisation.
Contribuer en proposant des améliorations ou en partageant une version améliorée du modèle (par exemple, avec une Perte Perceptuelle) !

Bonne colorisation ! ✨

Finisha-LLM/Dranina-Mandala-Colorizer