Dranina-mandala-vif

✨ Dranina-mandala-vif : Coloriage aux Couleurs Audacieuses !

🌟 Aperçu du Modèle

Bienvenue à la Version VIF de Dranina ! 🚀

Ce modèle est le résultat d'un finetuning spécialisé de notre modèle de base Dranina-Mandala-Colorizer. Il a été entraîné spécifiquement pour injecter des palettes de couleurs plus vives, saturées et éclatantes dans vos mandalas. Si vous trouviez la version précédente un peu trop pastel ou "moyenne", la version VIF est faite pour vous !

---

💻 Comment Utiliser Dranina-mandala-vif (Inférence)

Pour intégrer cette version à vos projets, vous devez définir la même architecture U-Net que lors de l'entraînement et charger les poids spécifiques du modèle VIF.

1. Installation

Assurez-vous d'avoir les dépendances nécessaires dans votre environnement (Colab, script Python, ou Space) :

pip install torch torchvision pillow huggingface_hub

2. Chargement et Prédiction

Le modèle est identifié par son nouvel ID. Utilisez la fonction hf_hub_download pour charger les poids.

import torch
from torchvision import transforms
from PIL import Image
from huggingface_hub import hf_hub_download
# (Insérez ici les classes DraninaUnet, Up, double_conv)

# --- Paramètres du Modèle VIF ---
MODEL_ID = "Clemylia/Dranina-mandala-vif"
MODEL_FILENAME = "pytorch_model.bin"
IMAGE_SIZE = 256 # Taille d'inférence

def colorize_vif(input_image_path):
    # 1. Charger les poids de la version VIF
    model_path = hf_hub_download(repo_id=MODEL_ID, filename=MODEL_FILENAME)
    
    # 2. Instancier et charger
    model = DraninaUnet(n_channels=3, n_classes=3) 
    model.load_state_dict(torch.load(model_path, map_location=torch.device("cpu")))
    model.eval()

    # 3. Préparer l'image N&B
    input_image_pil = Image.open(input_image_path).convert('RGB')
    transform = transforms.Compose([
        transforms.Resize((IMAGE_SIZE, IMAGE_SIZE)),
        transforms.ToTensor(),
    ])
    input_tensor = transform(input_image_pil).unsqueeze(0)
    
    # 4. Inférence
    with torch.no_grad():
        output_tensor = model(input_tensor)

    # 5. Post-traitement et sortie
    output_tensor = torch.clamp(output_tensor.squeeze(0), 0, 1) 
    return transforms.ToPILImage()(output_tensor.cpu()).resize(input_image_pil.size)

# Utilisation :
# image_vif = colorize_vif("mon_mandala_nb.jpg")
# image_vif.save("mon_mandala_vif.png")

---

🛑 Limitations et Meilleures Pratiques

Pour exploiter au mieux Dranina-mandala-vif, veuillez noter les points suivants :

1. Focalisation sur les Couleurs Vives 💖

Ce modèle a été optimisé pour un ensemble spécifique de couleurs vives. Il sera moins performant que le modèle de base pour reproduire des tons pastel, des couleurs neutres, ou des teintes très sombres. C'est un compromis volontaire pour atteindre une forte saturation !

2. Qualité d'Entrée 🖼️

Le modèle travaille mieux avec des images de mandalas en noir et blanc claires et avec des lignes nettes. Une image bruitée ou avec des lignes grises peut donner des résultats de coloriage inattendus.

3. Usage Éthique

Comme pour tous nos modèles Dranina, il est destiné à des fins créatives, éducatives et de démonstration.

---

🔗 Ressources

• Démonstration Interactive : Testez-le directement sur le Space Hugging Face : Clemylia/Dranina-vif-space
• Modèle de Base : Clemylia/Dranina-Mandala-Colorizer.

Nous espérons que cette version VIF donnera un coup de pep's à vos créations ! N'hésitez pas à laisser un ✨ like ✨ si vous appréciez le modèle !