Upload README.md with huggingface_hub

README.md

@@ -0,0 +1,66 @@
+---
+title: Generador de Letras con Difusión
+emoji: 🔤
+colorFrom: blue
+colorTo: green
+sdk: gradio
+app_file: app.py
+pinned: false
+license: mit
+tags:
+- diffusion
+- letters
+- alphabet
+- image-generation
+- pytorch
+---
+
+# Generador de Letras con Modelo de Difusión
+
+Este modelo utiliza un UNet condicionado por clase para generar letras del abecedario (A-Z) en imágenes de 512x512 píxeles en escala de grises.
+
+## Características del Modelo
+
+- **26 clases**: Una para cada letra del abecedario (A-Z)
+- **Resolución**: 512x512 píxeles
+- **Canales**: 1 canal (escala de grises)
+- **Arquitectura**: UNet2D con condicionamiento por clase
+- **Parámetros**: 63,153,745 parámetros totales
+
+## Uso del Modelo
+
+```python
+from diffusers import DDPMScheduler
+import torch
+
+# Cargar el modelo
+model = LetterConditionedUnet(num_classes=26, class_emb_size=8)
+model.load_state_dict(torch.load("pytorch_model.bin"))
+
+# Crear scheduler
+scheduler = DDPMScheduler.from_pretrained("./", subfolder="scheduler")
+
+# Generar una letra (ejemplo: letra 'A' = clase 0)
+device = "cuda" if torch.cuda.is_available() else "cpu"
+model = model.to(device)
+
+# Ruido inicial
+x = torch.randn(1, 1, 512, 512, device=device)
+labels = torch.tensor([0], device=device)  # 0 = 'A', 1 = 'B', etc.
+
+# Proceso de denoising
+for t in scheduler.timesteps:
+    with torch.no_grad():
+        residual = model(x, t, labels)
+        x = scheduler.step(residual, t, x).prev_sample
+
+# La imagen generada está en x
+```
+
+## Entrenamiento
+
+El modelo fue entrenado en el dataset `jruaechalar/letrasPlantilla` que contiene imágenes de letras del abecedario con sus respectivas etiquetas.
+
+## Licencia
+
+MIT License