Update README.md

README.md

@@ -10,5 +10,88 @@ pinned: false
 license: apache-2.0
 short_description: ' هو نموذج ذكاء اصطناعي متخصص تم تدريبه لفهم وتوليد الأشكال '
 ---
+مشروع تكوين (Takween Project)
 
+مشروع متقدم في الذكاء الاصطناعي يهدف إلى تخصيص نموذج الانتشار المستقر (Stable Diffusion)
+ لتوليد صور عالية الدقة للأشكال الهندسية بناءً على الأوصاف النصية.
+ يستخدم المشروع تقنيات الضبط الدقيق الفعالة (LoRA) لتدريب النموذج على فهم وتكوين صور دقيقة تعكس العلاقات المكانية، الألوان، والخصائص المحددة في النص.
+
+توليد صور هندسية من النص: القدرة على تحويل الأوصاف النصية المعقدة (مثل "مثلث أزرق مفرغ على يسار مربع أصفر") إلى صور دقيقة.
+كفاءة في التدريب: استخدام تقنية LoRA (Low-Rank Adaptation) لضبط النموذج، مما يقلل بشكل كبير من متطلبات الذاكرة ويسرع عملية التدريب.
+خط أنابيب بيانات مخصص: نظام مرن لمعالجة البيانات يربط كل صورة بمجموعة من الأوصاف النصية المعززة (Augmented) لتدريب أكثر ثراءً.
+واجهة مستخدم تفاعلية: واجهة ويب سهلة الاستخدام تم بناؤها باستخدام Gradio، تتيح لأي شخص تجربة النموذج بسهولة.
+دعم ControlNet (اختياري): إطار عمل جاهز لدمج ControlNet، مما يفتح الباب أمام تحكم هيكلي أكثر دقة في الصور المولدة.
+الهيكل التقني
+يعتمد المشروع على مجموعة من التقنيات والمكتبات الحديثة في مجال تعلم الآلة:
+
+النموذج الأساسي: runwayml/stable-diffusion-v1-5 
+إطار العمل: PyTorch
+مكتبات الانتشار: Hugging Face Diffusers, Transformers
+تقنية الضبط الدقيق: PEFT (Parameter-Efficient Fine-Tuning)
+التسريع والأداء: Accelerate (للتدريب بالدقة المختلطة fp16) 
+الواجهة الرسومية: Gradio
+متطلبات التشغيل
+للتشغيل الناجح للمشروع، ستحتاج إلى:
+
+حساب Google Drive لتخزين البيانات والنماذج.
+بيئة Google Colab (أو بيئة محلية مع GPU مناسبة).
+مكتبات Python المذكورة في ملف project.txt.
+يمكن تثبيت المكتبات الأساسية عبر الأوامر التالية:
+
+Bash
+
+!pip install -qqq diffusers transformers accelerate peft bitsandbytes torch torchvision
+!pip install -qqq gradio controlnet_aux
+إعداد المشروع
+استنساخ المستودع (Clone):
+
+Bash
+
+git clone [Your-Repository-URL]
+cd [Your-Repository-Name]
+الاتصال بـ Google Drive:
+
+في بيئة Colab، قم بتوصيل حسابك في Google Drive.
+تنظيم البيانات:
+
+أنشئ مجلدًا رئيسيًا للمشروع في Google Drive (على سبيل المثال، GeoSynthAI_Augmented_Data).
+داخل هذا المجلد، أنشئ مجلدين:
+images: ضع فيه جميع الصور الهندسية.
+descriptions: ضع فيه جميع الملفات النصية (.txt) التي تصف الصور.
+ملاحظة هامة: يجب أن يتطابق اسم ملف الصورة (بدون الامتداد) مع بداية اسم الملف النصي المرتبط به (e.g., image_0.png يرتبط بـ image_0_original.txt, image_0_aug_0.txt, etc.).
+طريقة الاستخدام
+اتبع الخطوات التالية لتشغيل المشروع بالكامل:
+
+1. تدريب النموذج
+قم بتشغيل خلايا الكود المسؤولة عن تحميل البيانات وإعدادها.
+نفّذ دالة train_and_save_model.
+ستبدأ عملية التدريب، وسيتم تطبيق LoRA على نموذج UNet.
+يتم استخدام Accelerator لتسريع العملية.
+بعد انتهاء التدريب، سيتم حفظ النموذج المدرب وأوزان LoRA تلقائيًا في مجلد final_model داخل Google Drive.
+2. تقييم النموذج
+بعد تدريب النموذج، قم بتنفيذ دالة evaluate_trained_model.
+ستقوم هذه الدالة بتوليد صور بناءً على مجموعة من الموجهات النصية المحددة مسبقًا.
+سيتم حفظ الصور والتقرير في مجلد evaluation_results في Google Drive.
+3. تشغيل الواجهة التفاعلية
+قم بتشغيل الخلية الأخيرة في الكود التي تحتوي على إعدادات Gradio.
+سيتم تحميل النموذج المدرب من Google Drive.
+ستظهر واجهة ويب تفاعلية تتيح لك إدخال وصف نصي وتوليد الصور مباشرة.
+الخطط المستقبلية
+تفعيل تدريب ControlNet: إعداد بيانات التحكم (مثل خرائط Canny) وتدريب النموذج بشكل كامل مع ControlNet لفرض قيود هيكلية دقيقة.
+توسيع مجموعة البيانات: زيادة حجم وتنوع البيانات لتغطية أشكال وعلاقات مكانية أكثر تعقيدًا.
+الترقية إلى نماذج أحدث: تجربة المشروع على نماذج أساسية أقوى مثل SDXL.
+فريق العمل
+هذا المشروع هو نتاج جهد وتعاون الفريق:
+
+أسامة سعيد
+طارق العمري
+شكر وتقدير
+نتقدم بجزيل الشكر والتقدير لكل من ساهم في إنجاح هذا العمل بإرشاده ودعمه:
+
+الدكتور القدير/ أكرم الصباري
+
+أستاذ الذكاء الاصطناعي وتعلم الآلة
+المهندسة/ فاتن الحيافي
+
+أستاذة الجانب العملي
 Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference