Image Colorization Project

Projekt koncentruje się na kolorowaniu czarno-białych obrazów za pomocą różnych architektur takich jak U-Net i autoencodery. Wykorzystano zbiór danych CIFAR-10 przekonwertowaną na przestrzeń kolorów LAB.

Struktura projektu

• image_colorization.ipynb - plik zawiera ładowanie danych, przetwarzanie, tworzenie modeli, trenowanie i testowanie.
• Image Colorization Project Report - plik zawiera dokumentację projektu.
• /example_imgs - folder z przykładowymi zdjęciami do testowania koloryzacji.

Uruchamianie kodu

1. Umieść kolorowe zdjęcia o rozmiarze 32x32 pixele w formacie jpg/png w folderze /example_imgs
2. Pokoloruj czarnobiałe wersje z użyciem przetrenowanych modeli:

Użycie Pipeline

1. Inicjalizacja Pipeline

   pipeline = Pipeline([
       ('image_processing', ImageProcessingPipeline(model_list)),
       ('image_comparing', ImageModelComparingPipeline())
   ])

   Pipeline jest zbudowany z dwóch głównych komponentów. ImageProcessingPipeline ładuje obrazy, konwertuje jen a przestrzeń kolorów LAB i zmienia rozdzielczość na 32x32, natomiast ImageModelComparingPipeline przyjmuje listę modeli, które będą używane do kolorowania obrazów i jest odpowiedzialny za porównanie wyników kolorowania.

2. Przygotowanie Ścieżki do Obrazów

   path = './example_imgs/bw'

   Ścieżka do folderu zawierającego czarno-białe obrazy, które będą przetwarzane.

3. Uruchomienie Pipeline

   pipeline.fit(path)

   Metoda fit uruchamia cały pipeline, przetwarzając obrazy znajdujące się w podanej ścieżce. Obrazy są kolorowane za pomocą różnych modeli.

Zależności Projektu

Plik requirements.txt zawiera listę zależności niezbędnych do uruchomienia projektu. Aby zainstalować wszystkie wymagane biblioteki, wykonaj poniższą komendę w terminalu:

pip install -r requirements.txt

Lista zależności (wybrane):

numpy==1.26.4
matplotlib==3.4.2
tensorflow==2.16.1
scikit-image==0.23.2
scikit-learn==0.24.2
opencv-python==4.10.0.82

Korzystanie z GPU do przyspieszenia obliczeń przez TensorFlow wymaga kompatybilnej karty graficznej NVIDIA, zainstalowanego NVIDIA CUDA Toolkit, NVIDIA cuDNN, odpowiednich sterowników NVIDIA oraz konfiguracji TensorFlow do pracy z GPU.

Screenshots