README.md

metadata

title: Acuarela Portrait Daggr
emoji: 🎨
colorFrom: blue
colorTo: purple
sdk: gradio
sdk_version: 4.19.2
python_version: '3.10'
app_file: app_daggr.py
pinned: false
tags:
  - daggr
  - modal
  - sdxl
  - watercolor

Generador de Retratos Acuarela con IA

Proyecto 1 - Asignatura de Modelos de IA
IES Rafael Alberti

Ejemplo de Resultado

---

Definición del Problema

Problema a resolver

Transformar fotografías de personas en ilustraciones artísticas estilo acuarela, manteniendo la estructura y composición original pero aplicando un estilo pictórico profesional.

Input esperado

• Imagen: Fotografía de una o más personas (formato JPG, PNG, WebP)
• Resolución recomendada: Mínimo 512x512 píxeles

Output generado

• Imagen acuarela: Ilustración artística que preserva la pose, composición y número de personas de la foto original
• Descripción: Caption automático de la imagen original + prompt artístico utilizado

---

Modelos Utilizados

Este proyecto combina dos modelos de inteligencia artificial en un pipeline secuencial:

1. GIT - Generative Image-to-Text (Microsoft)

Característica	Valor
Modelo	microsoft/git-large-coco
Tipo	Vision-Language Model (VLM)
Tarea	Image Captioning
Arquitectura	Transformer encoder-decoder
GPU	NVIDIA T4 (16GB VRAM)

Función: Analiza la imagen de entrada y genera una descripción textual del contenido (personas, poses, contexto).

2. SDXL - Stable Diffusion XL (Stability AI)

Característica	Valor
Modelo	stabilityai/stable-diffusion-xl-base-1.0
Tipo	Latent Diffusion Model
Tarea	Image-to-Image Generation
Arquitectura	U-Net + VAE + Text Encoder
GPU	NVIDIA A10G (24GB VRAM)

Función: Transforma la imagen original en estilo acuarela, guiado por el caption + prompt artístico.

---

Pipeline de Procesamiento

Foto Original --> GIT Captioning --> Caption texto
                                          |
                                          v
Imagen Acuarela <-- SDXL Img2Img <-- Prompt con estilo

Parámetro clave: strength=0.65 - Determina cuánto de la imagen original se preserva (65% transformación, 35% estructura).

---

Limitaciones Conocidas

1. Fidelidad facial: Los rostros pueden diferir del original debido a la naturaleza generativa del modelo
2. Tiempo de procesamiento: 30-60 segundos por imagen (cold start) o 10-20s (warm)
3. Resolución: Máximo 1024x1024 píxeles
4. Estilo fijo: El estilo acuarela está predefinido en el prompt
5. Dependencia de GPU: Requiere GPUs en la nube (Modal) para ejecutar los modelos

---

Arquitectura de Despliegue

Hugging Face Space  -->  Modal Backend
(Gradio frontend)        (GPU serverless)
- Interfaz web           - GIT en T4
- Subir imagen           - SDXL en A10G
- Mostrar resultado      - Modelos cacheados

---

Configuración del Space

Secrets necesarios (Settings > Secrets):

Nombre	Descripción
MODAL_TOKEN_ID	ID de token de Modal
MODAL_TOKEN_SECRET	Secret de token de Modal

Obtener tokens de Modal:

1. Crear cuenta en modal.com
2. Ir a Settings > API Tokens
3. Crear nuevo token y copiar ID + Secret

---

Instalación Local

Opción A: Con UV (⚡ Recomendado - 100x más rápido)

# 1. Instalar UV (Windows/Mac/Linux)
pip install uv

# 2. Clonar repositorio
git clone <repo-url>
cd AcuarelaPortraits

# 3. Crear entorno virtual con UV
uv venv

# 4. Activar (Windows)
.venv\Scripts\Activate.ps1
# O en cmd: .venv\Scripts\activate.bat
# Linux/Mac: source .venv/bin/activate

# 5. Instalar dependencias
uv sync
# O: uv pip install -e ".[dev]"

# 6. Autenticarse en Modal
modal token new

# 7. Desplegar backend en Modal
modal deploy modal_backend.py

# 8. Ejecutar aplicación (elige una opción)
# - App original:
python app.py

# - App con Daggr (visualización del workflow):
python app_daggr.py

Opción B: Con pip (Tradicional)

# 1. Clonar repositorio
git clone <repo-url>
cd AcuarelaPortraits

# 2. Crear entorno virtual
python -m venv .venv
.venv\Scripts\activate  # Windows
# source .venv/bin/activate  # Linux/Mac

# 3. Instalar dependencias
pip install -r requirements.txt

# 4. Autenticarse en Modal
modal setup

# 5. Desplegar backend en Modal
modal deploy modal_backend.py

# 6. Ejecutar aplicación
python app.py

🆕 Integración con Daggr

Este proyecto ahora incluye Daggr, una herramienta de Hugging Face para visualizar y debuggear pipelines de IA.

Características:

• 👀 Inspecciona el output de cada paso del pipeline
• ⏪ Vuelve a ejecutar pasos individuales sin re-ejecutar todo
• 📊 Canvas visual automático del workflow
• 💾 Persiste estado automáticamente

Para usar Daggr:

python app_daggr.py

Ve a MIGRATION_UV_DAGGR.md para más detalles.

---

Costos Estimados

Componente	Costo aproximado
GIT (T4)	~$0.003/imagen
SDXL (A10G)	~$0.01/imagen
Total	~$0.01-0.02/imagen

Solo se paga por el tiempo de GPU utilizado.

---

Autor

Desarrollado para el IES Rafael Alberti - Módulo de Modelos de IA