Create README.md

README.md

@@ -0,0 +1,136 @@
+---
+library_name: pytorch
+pipeline_tag: image-segmentation
+tags:
+  - semantic-segmentation
+  - cityscapes
+  - torchscript
+  - deeplabv3
+  - pytorch
+  - cpu
+datasets:
+  - cityscapes
+metrics:
+  - type: mIoU
+    value: 0.73
+  - type: wmIoU
+    value: 0.85
+license: mit
+---
+
+# Cityscapes Segmentation (8 classes) — SERNet (TorchScript)
+
+Modèle de **segmentation sémantique** pour scènes urbaines (Cityscapes), 8 classes :
+`void, flat, construction, object, nature, sky, human, vehicle`.
+
+- **Architecture** : SERNet (compatible API DeepLabV3 / torchvision)  
+- **Format des poids** : **TorchScript** — `sernet_model.pt`  
+- **Métriques (val)** : **mIoU ≈ 73%**, **wmIoU ≈ 85%**  
+- **Cible** : CPU (fonctionne aussi sur GPU si déplacé)
+
+---
+
+## 🧩 Classes (IDs)
+
+- 0: void  
+- 1: flat  
+- 2: construction  
+- 3: object  
+- 4: nature  
+- 5: sky  
+- 6: human  
+- 7: vehicle  
+
+---
+
+## 🛠️ Preprocessing (torchvision)
+
+Le modèle utilise les **transforms officiels** associés aux poids torchvision :
+
+```python
+from torchvision.models.segmentation import DeepLabV3_ResNet101_Weights
+
+weights = DeepLabV3_ResNet101_Weights.DEFAULT
+preprocess = weights.transforms()  # PIL -> Tensor + normalisation ImageNet
+```
+
+- **Taille d’entrée** : non imposée. Pour la latence CPU, redimensionner **avant** `preprocess`, p.ex. **(H, W) = (480, 960)**.  
+- **Sortie** : logits `(B, 8, H, W)` → `argmax(dim=1)` donne un masque `(H, W)` d’IDs de classe.
+
+---
+
+## 📦 Utilisation — via Hugging Face Hub (TorchScript)
+
+```python
+from huggingface_hub import hf_hub_download
+from torchvision.models.segmentation import DeepLabV3_ResNet101_Weights
+from PIL import Image
+import torch, numpy as np
+
+REPO_ID  = "<votre-user>/p9-cityscapes-model"
+FILENAME = "sernet_model.pt"
+
+# 1) Charger le modèle TorchScript
+path  = hf_hub_download(repo_id=REPO_ID, filename=FILENAME)  # cache auto (~/.cache/huggingface)
+model = torch.jit.load(path, map_location="cpu").eval()
+
+# 2) Préprocess (torchvision)
+weights    = DeepLabV3_ResNet101_Weights.DEFAULT
+preprocess = weights.transforms()
+
+# 3) Préparer l’image
+Resample = getattr(Image, "Resampling", Image)  # compat Pillow<9.1
+img = Image.open("demo.jpg").convert("RGB")
+img = img.resize((960, 480), Resample.BILINEAR)  # optionnel (latence CPU)
+x   = preprocess(img).unsqueeze(0)  # [1,C,H,W]
+
+# 4) Prédire
+with torch.inference_mode():
+    out = model(x)
+
+logits = out["out"] if isinstance(out, dict) else out  # (1,8,H,W)
+seg    = torch.argmax(logits, 1).squeeze(0).cpu().numpy().astype("uint8")
+print("mask:", seg.shape, "classes:", np.unique(seg))
+```
+
+---
+
+## 🎨 Palette (facultatif)
+
+```python
+import numpy as np
+from matplotlib import colors
+
+PALETTE = ['b','g','r','c','m','y','k','w']  # 0..7
+
+def colorize(seg: np.ndarray) -> np.ndarray:
+    h, w = seg.shape
+    out = np.zeros((h, w, 3), dtype=np.float32)
+    for cid in range(8):
+        mask = (seg == cid)
+        r, g, b = colors.to_rgb(PALETTE[cid])
+        out[mask, 0] = r; out[mask, 1] = g; out[mask, 2] = b
+    return (out * 255).astype(np.uint8)
+```
+
+---
+
+## 📊 Métriques
+
+- **SERNet (TorchScript)** : **mIoU ≈ 73%**, **wmIoU ≈ 85%** sur Cityscapes (val).  
+- *wmIoU* = mIoU pondérée (pondérations par classe).
+
+---
+
+## ⚠️ Limites & conseils
+
+- Conçu pour **scènes urbaines** (Cityscapes) : généralisation limitée hors domaine.  
+- CPU : privilégier des entrées ≤ `960×480` pour une latence raisonnable.  
+- Pour reproductibilité stricte, pinner la **révision** HF (tag/commit).
+
+---
+
+## 📚 Références
+
+- Cordts et al., **Cityscapes** — CVPR 2016  
+- Chen et al., **DeepLab** — *Rethinking Atrous Convolution for Semantic Image Segmentation*