https://github.com/obj-wtf/gan-architecture
APP For training GAN Models on Architecture Plan
https://github.com/obj-wtf/gan-architecture
architecture building cuda gan pix2pix-tensorflow plan
Last synced: about 2 months ago
JSON representation
APP For training GAN Models on Architecture Plan
- Host: GitHub
- URL: https://github.com/obj-wtf/gan-architecture
- Owner: OBJ-WTF
- Created: 2025-05-23T08:45:28.000Z (5 months ago)
- Default Branch: main
- Last Pushed: 2025-05-23T10:08:55.000Z (5 months ago)
- Last Synced: 2025-07-23T08:12:48.531Z (2 months ago)
- Topics: architecture, building, cuda, gan, pix2pix-tensorflow, plan
- Language: Python
- Homepage:
- Size: 75.2 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# AIp2p: Pix2Pix Floorplan Tool
AIp2p est une interface graphique interactive pour dessiner des plans de bâtiments à l'aide de modèles Pix2Pix.
## Fonctionnalités principales
- **🖼️ Canvas de dessin interactif** : Dessinez des rectangles en glissant-déposant pour créer vos plans
- **🎨 Système de couleurs codées** : Plusieurs couleurs disponibles pour encoder différentes classes (murs, ouvertures, pièces, etc.)
- **↕️ Import/Export d'images** : Importez une image PNG existante ou exportez vos créations
- **🪄 Génération IA avancée** : Convertissez votre dessin en image réaliste via un modèle Pix2Pix (1 ou 2 passes)
- **🔧 Entraînement intégré** : Entraînez vos propres modèles avec vos datasets personnalisés
## Prérequis
- **Python 3.10+**
- **CUDA 12** (recommandé pour l'accélération GPU)
## Tableau des besoins mémoire
| **Taille image** | **Inférence – RAM** | **Inférence – VRAM** | **Entraînement – RAM** | **Entraînement – VRAM** |
|----------------------|------------------------|---------------------------|-----------------------------|------------------------------|
| **256×256** | 0.5 – 1 Go | 0.5 – 1 Go | 8 – 12 Go | 4 – 6 Go |
| **512×512** | 1 – 2 Go | 1 – 2 Go | 12 – 16 Go | 6 – 8 Go |
| **768×768** | 2 – 3.5 Go | 3 – 5 Go | 16 – 24 Go | 8 – 12 Go |
| **1024×1024** | 4 – 6 Go | 6 – 8 Go | 24 – 32 Go | 10 – 14 Go |
## Installation
### 1. Cloner le dépôt
```bash
git clone https://github.com/votreutilisateur/AIp2p.git
cd AIp2p
```
### 2. Créer un environnement virtuel
```bash
# Créer l'environnement
python -m venv venv
# Activer l'environnement
# Sur Windows :
venv\Scripts\activate
# Sur Linux/macOS :
source venv/bin/activate
```
### 3. Installer les dépendances
```bash
pip install -r requirements.txt
```
## Utilisation
### Lancement de l'application
```bash
python AIp2p.py
```
### Guide d'utilisation rapide
#### **Dessin**
1. **Créer des rectangles** : Cliquez et glissez sur le canvas pour dessiner
2. **Supprimer des éléments** : Clic droit sur un rectangle pour le supprimer
3. **Changer de couleur** : Sélectionnez une couleur dans la palette pour encoder différents types d'éléments
#### **Génération IA**
1. **Charger les modèles** : Utilisez les boutons dédiés pour charger vos fichiers `.h5`
- **1er modèle** : Conversion Masse → Couleur
- **2ème modèle** : Conversion Couleur → Dessin détaillé
2. **Générer** : Lancez la génération pour obtenir votre plan réaliste
#### **Entraînement de modèles**
1. **Préparer les données** : Organisez vos images d'entraînement dans des dossiers séparés
2. **Configuration** : Spécifiez le dossier d'entrée, le dossier cible et le nombre d'epochs
3. **Lancer** : Le modèle sera automatiquement sauvegardé à la fin de l'entraînement
## Dataset recommandé
### Pix2Pix Floorplans Dataset
**Source** : [nate-peters/pix2pix-floorplans-dataset](https://github.com/nate-peters/pix2pix-floorplans-dataset)
Ce dataset contient des images de plans d'étage pour petites maisons de plain-pied, dérivées de HousePlans.com. Chaque image a été étiquetée manuellement avec Rhino et Grasshopper :
- **Image A** : Forme de contour (région noire pleine)
- **Image B** : Contour avec régions codées par couleur selon les types de pièces
## 🧠 Recommandations d'entraînement Pix2Pix
Ce tableau vous aide à calibrer votre entraînement selon la taille de votre dataset et vos ressources disponibles.
| **Taille du dataset** | **Epochs recommandées** | **Durée estimée (CPU)** | **Durée estimée (GPU)** |
|--------------------------|-----------------------------|-----------------------------|-----------------------------|
| ~100 paires | 200 – 400 | 4 – 8 h | 30 – 60 min |
| 500 paires | 150 – 300 | 8 – 16 h | 1 – 2 h |
| 1 000 paires | 100 – 200 | 12 – 24 h | 2 – 4 h |
| 5 000+ paires | 50 – 150 | 24 – 48 h | 4 – 8 h |
| 10 000+ paires | 30 – 100 | 48 h+ | 6 – 12 h |
---
## Conseils d'entraînement
- **Surveillez la perte (`loss`)** mais jugez aussi **visuellement** la qualité des sorties.
- Plus le **dataset est petit**, plus vous aurez besoin de **nombreux epochs**.
- **Sauvegardez le modèle régulièrement** (`checkpoint`) pour éviter toute perte.
- Commencez avec des images **256×256 px**, puis augmentez si votre GPU le permet.
## 🔧 Dépendances techniques
### Principales librairies
- **TensorFlow 2.15** - Framework d'apprentissage automatique
- **OpenCV** - Traitement d'images
- **Pillow** - Manipulation d'images
- **tkinter** - Interface graphique
### Configuration GPU (optionnelle mais recommandée)
Pour une performance optimale, assurez-vous d'avoir :
- **CUDA 12** installé
- **GPU compatible CUDA** avec au moins 4 Go de VRAM
Consultez `requirements.txt` pour la liste complète des dépendances.
## 🏗️ Architecture du projet
```
AIp2p/
├── AIp2p.py # Script principal
├── requirements.txt # Dépendances Python
├── models/ # Modèles entraînés
├── datasets/ # Vos datasets d'entraînement
└── exports/ # Images générées et exportées
```
## Crédits
**Développé par** : [OBJ.WTF](https://github.com/votreutilisateur) pour un projet de génération architecturale assistée par IA ( https://www.obj.wtf/ )
**Basé sur** :
- [Pix2Pix](https://github.com/tensorflow/examples/tree/master/tensorflow_examples/models/pix2pix) (TensorFlow Examples)
- Les travaux de [Stanislas Chaillou](https://github.com/StanislasChaillou)
## 📄 Licence
Ce projet est sous licence MIT.
⭐ **N'hésitez pas à donner une étoile au projet si vous le trouvez utile !**