Bem-vindo ao repositório do Abstract Art Generator, uma aplicação de ciência de dados e aprendizado de máquina que utiliza redes GAN (Generative Adversarial Networks) e técnicas de upscaling para gerar arte abstrata única e impressionante! Confira a aplicação ao vivo em abstract-art-generator.streamlit.app.
O Abstract Art Generator é um projeto que combina conceitos de Deep Learning e Processamento de Imagens para criar arte abstrata. Utilizamos dois modelos principais:
- Gerador (GAN): Um modelo baseado em redes generativas adversárias para gerar imagens abstratas iniciais.
- Upscaling: Um modelo para melhorar a resolução das imagens geradas, tornando-as mais detalhadas e visualmente atraentes.
- Gerador (GAN): O modelo GAN é treinado com um conjunto de imagens abstratas para aprender a gerar novas imagens. No nosso caso, utilizamos uma estrutura de rede convolucional transposta para gerar imagens a partir de um vetor de ruído.
- Upscaling: Após a geração da imagem, aplicamos um modelo de upscaling para aumentar a resolução da imagem. Esse modelo utiliza convoluções e operações de upsample para aumentar os detalhes da imagem.
- Python: Linguagem principal para desenvolvimento de modelos e aplicação Streamlit.
- PyTorch: Biblioteca de Deep Learning para construção e treinamento dos modelos.
- Streamlit: Framework para criação rápida de aplicativos web para Data Science.
- Outras bibliotecas:
numpy,matplotlib, etc.
seu_projeto/
│
├── app.py # Aplicativo Streamlit
├── models/ # Modelos treinados (GAN e Upscaling)
├── notebooks/ # Notebooks de treino e teste
├── utils/ # Códigos auxiliares
└── requirements.txt # Dependências
Para executar o projeto localmente:
- Clone o repositório.
- Instale as dependências usando
pip install -r requirements.txt. - Execute
streamlit run app.py.
Contribuições são sempre bem-vindas! Se você tem uma ideia para melhorar a aplicação ou os modelos, sinta-se à vontade para criar um pull request ou abrir uma issue.
Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.
Desenvolvido com 💓 por José Henrique Luckmann