---
license: mit
language:
- fr
pipeline_tag: image-to-image
datasets:
- Clemylia/Mandalas
---
# 🎨 Dranina - Votre Coloriage Automatique de Mandalas \!

![Dranina](http://www.image-heberg.fr/files/17587941743733450063.jpg)

## 🌟 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 \! ✨