Update README.md

README.md

@@ -3,4 +3,97 @@ license: mit
 language:
 - fr
 pipeline_tag: image-to-image
----
+---
+# 🎨 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 \! ✨