Update README.md

README.md

@@ -12,4 +12,211 @@ tags:
 - Calé ou décalé
 - musique
 - Audio classify
----
+---
+
+# 🎼 Musica2 : Détection de Rythme Audio (Calé ou Décalé)
+
+![Musica](http://www.image-heberg.fr/files/17631110924081649736.jpg)
+
+## 🌟 Présentation
+
+**Musica2** est un modèle d'apprentissage profond conçu pour analyser un clip audio (chanson) et déterminer s'il est **dans le rythme (calé)** ou **hors rythme (décalé)**. Ce modèle a été entraîné *from scratch* par **Clemylia** en utilisant la bibliothèque **Keras** et **TensorFlow**.
+
+### 🎯 Tâche et Classes
+
+| ID | Label | Description |
+| :---: | :---: | :--- |
+| **0** | **Calé** | L'audio est bien aligné sur le rythme. |
+| **1** | **Décalé** | L'audio présente un désalignement ou un décalage rythmique. |
+
+## ⚙️ Architecture et Entraînement
+
+Musica2 est un modèle **Convolutionnel 2D (CNN)**, adapté à l'analyse d'images de spectrogrammes Mel, qui représentent la distribution de l'énergie audio dans le temps et la fréquence.
+
+  * **Framework d'Entraînement :** Keras (TensorFlow)
+  * **Données d'Entrée :** Spectrogrammes Mel (représentation visuelle de l'audio).
+
+## 📥 Comment Utiliser Musica2
+
+Le modèle est disponible en téléchargement et chargement direct depuis **Hugging Face Hub** en utilisant `huggingface_hub` et `tensorflow/keras`.
+
+### 💻 Dépendances
+
+Assurez-vous d'avoir installé les bibliothèques nécessaires :
+
+```bash
+pip install tensorflow keras numpy librosa huggingface_hub
+```
+
+### 🐍 Code d'Inférence (Exemple)
+
+Le code d'inférence fourni est la méthode stable pour utiliser Musica2. Il gère le téléchargement, le chargement, le prétraitement de l'audio et la prédiction.
+
+#### Paramètres Clés
+
+| Paramètre | Valeur | Description |
+| :--- | :---: | :--- |
+| `HF_REPO_ID` | `"Clemylia/Musica2"` | Identifiant du dépôt sur Hugging Face. |
+| `FULL_MODEL_FILENAME` | `"musica2_complete_model.keras"` | Nom du fichier Keras complet. |
+| `SAMPLE_RATE` | `16000` | Taux d'échantillonnage cible (Hz). |
+| `MAX_CLIP_DURATION` | `10` | Durée maximale des clips audio traités (secondes). |
+| `N_MELS` | `128` | Nombre de bandes Mel pour le spectrogramme. |
+
+#### 🛠️ Pipeline de Prétraitement
+
+1.  **Chargement :** L'audio est chargé.
+2.  **Rééchantillonnage :** L'audio est rééchantillonné à $16000\text{ Hz}$.
+3.  **Tronquage/Padding :** L'audio est tronqué ou complété pour atteindre exactement $10$ secondes.
+4.  **Spectrogramme Mel :** Le spectrogramme Mel à $128$ bandes est calculé.
+5.  **Conversion Logarithmique :** Conversion en décibels (`librosa.power_to_db`).
+6.  **Normalisation Z-Score :** Le spectrogramme est normalisé à $\mu=0$ et $\sigma=1$ pour l'entrée du modèle.
+
+> **Note :** Le modèle attend une entrée de forme $(1, \text{Hauteur}, \text{Largeur}, 1)$, correspondant à un spectrogramme Mel normalisé.
+
+### 📊 Interprétation des Résultats
+
+Le modèle effectue une prédiction binaire, retournant une probabilité **$P$** entre $0.0$ et $1.0$ :
+
+  * Si $P < 0.5$, le verdict est **Calé** (Classe 0). La confiance est $1 - P$.
+  * Si $P \ge 0.5$, le verdict est **Décalé** (Classe 1). La confiance est $P$.
+
+## ⚠️ Limitations et Avertissements
+
+  * **Durée du Clip :** Le modèle est optimisé pour des clips audio de **10 secondes**. L'analyse d'un clip plus long ou plus court pourrait affecter la précision.
+  * **Qualité Audio :** La performance peut être affectée par une mauvaise qualité d'enregistrement ou un bruit excessif.
+  * **Définition de Rythme :** Le modèle a appris à partir d'un ensemble de données spécifique ; sa généralisation à des genres musicaux ou des définitions de "rythme" très éloignées peut varier.
+
+## 🤝 Contribution et Contact
+
+Pour toute question, suggestion ou collaboration, veuillez contacter **Clemylia**.
+
+**Exemple de code d'inférence fonctionnel** 
+
+```
+import tensorflow as tf
+from tensorflow import keras
+import numpy as np
+import librosa
+from huggingface_hub import hf_hub_download
+import os
+import warnings
+
+warnings.filterwarnings('ignore', category=FutureWarning) 
+warnings.filterwarnings('ignore', category=UserWarning)
+
+# ----------------------------------------------------------------------------------
+# PARTIE 1 : CONFIGURATION ET CHARGEMENT DU MODÈLE COMPLET
+# ----------------------------------------------------------------------------------
+
+# --- CONFIGURATION D'INFÉRENCE ---
+SAMPLE_RATE = 16000     
+MAX_CLIP_DURATION = 10
+N_MELS = 128           
+
+# >>> NOUVEAU NOM DE FICHIER DU MODÈLE COMPLET <<<
+HF_REPO_ID = "Clemylia/Musica2"
+FULL_MODEL_FILENAME = "musica2_complete_model.keras"
+
+id_to_label = {0: "calé", 1: "décalé"} 
+model = None # Initialisation
+
+print(f"⏳ Téléchargement et chargement du modèle complet depuis {HF_REPO_ID}...")
+
+downloaded_model_path = None
+
+try:
+    # 1. Télécharger le fichier .keras complet
+    downloaded_model_path = hf_hub_download(
+        repo_id=HF_REPO_ID, 
+        filename=FULL_MODEL_FILENAME,
+        force_download=True
+    )
+    
+    # 2. CHARGEMENT DU MODÈLE : Keras gère le fichier .keras complet en une seule fois
+    model = keras.models.load_model(downloaded_model_path)
+    
+    print("✅ Modèle Musica2 chargé et prêt pour l'inférence.")
+
+except Exception as e:
+    print(f"❌ ERREUR FATALE DE CHARGEMENT DU MODÈLE COMPLET : {e}")
+    print("Veuillez vérifier l'URL du dépôt ou le nom du fichier du modèle complet sur Hugging Face.")
+    model = None
+
+# ----------------------------------------------------------------------------------
+# PARTIE 2 : FONCTION DE PRÉTRAITEMENT
+# ----------------------------------------------------------------------------------
+
+def preprocess_audio_for_inference(audio_path):
+    """
+    Pipeline de prétraitement pour l'audio.
+    """
+    if not os.path.exists(audio_path):
+        raise FileNotFoundError(f"Fichier audio non trouvé à : {audio_path}")
+        
+    print(f"   -> Prétraitement de l'audio à : {audio_path}")
+    
+    audio_data, current_sr = librosa.load(audio_path, sr=None)
+    
+    if current_sr != SAMPLE_RATE:
+        audio_data = librosa.resample(audio_data, orig_sr=current_sr, target_sr=SAMPLE_RATE)
+
+    target_length = SAMPLE_RATE * MAX_CLIP_DURATION
+    if len(audio_data) > target_length:
+        audio_data = audio_data[:target_length]
+    elif len(audio_data) < target_length:
+        padding = target_length - len(audio_data)
+        audio_data = np.pad(audio_data, (0, padding), 'constant')
+
+    S = librosa.feature.melspectrogram(y=audio_data, sr=SAMPLE_RATE, n_mels=N_MELS)
+    S_dB = librosa.power_to_db(S, ref=np.max)
+    
+    S_norm = (S_dB - np.mean(S_dB)) / np.std(S_dB)
+    
+    S_final = S_norm[np.newaxis, ..., np.newaxis].astype(np.float32)
+
+    return S_final
+
+# ----------------------------------------------------------------------------------
+# PARTIE 3 : FONCTION DE PRÉDICTION ET EXÉCUTION
+# ----------------------------------------------------------------------------------
+
+def predict_rhythm(model, audio_file_path):
+    """
+    Effectue la prédiction et affiche le résultat.
+    """
+    if model is None:
+        print("\n❌ Impossible de prédire : Le modèle n'a pas été chargé.")
+        return None, None
+        
+    try:
+        input_features = preprocess_audio_for_inference(audio_file_path)
+    except FileNotFoundError as e:
+        print(f"\n⚠️ {e}")
+        return None, None
+        
+    print(f"\n🔬 Début de l'analyse pour le fichier : {audio_file_path}")
+    
+    # Prédiction
+    probability = model.predict(input_features, verbose=0)[0][0]
+    
+    # Verdict
+    predicted_id = int(probability >= 0.5) 
+    predicted_label = id_to_label[predicted_id]
+    
+    # Confiance
+    confidence = probability if predicted_id == 1 else (1.0 - probability)
+    
+    # Affichage
+    print("\n--- Résultat de la Prédiction ---")
+    print(f"Probabilité de 'Décalé' (Classe 1) : **{probability:.4f}**")
+    print(f"Verdict : La musique est **{predicted_label.upper()}**")
+    print(f"Confiance : {confidence:.2f}")
+    
+    return predicted_label, probability
+
+## --- EXÉCUTION DU TEST ---
+
+TEST_AUDIO_PATH = "cale-1.mp3"
+
+predict_rhythm(model, TEST_AUDIO_PATH)
+```