README.md

---
language:
  - en
license: mit
library_name: segmentation-models-pytorch
tags:
  - image-segmentation
  - watermark-removal
  - unet
  - efficientnet
  - devynlabs
  - pixelforge
  - pytorch
datasets:
  - custom
metrics:
  - iou
pipeline_tag: image-segmentation
model-index:
  - name: watermark-remover
    results:
      - task:
          type: image-segmentation
          name: Image Segmentation
        dataset:
          name: Banana Watermarks
          type: custom
        metrics:
          - type: iou
            value: 0.9748
            name: IoU
          - type: accuracy
            value: 0.95
            name: Detection Rate
---

# Watermark Remover

Modèle de segmentation pour détecter et supprimer les watermarks dans les images.

Développé par [DevynLabs](https://devynlabs.com) dans le cadre du projet [PixelForge](https://github.com/christophernavas/pixelforge).

## Description

Watermark Remover utilise un pipeline en deux étapes :

1. **Segmentation** : UNet++ avec encodeur EfficientNet-B4 pour détecter les watermarks
2. **Inpainting** : LaMa pour reconstruire les zones masquées

```
Image → UNet++ (EfficientNet-B4) → Masque → LaMa → Image propre
```

## Performance

| Métrique | Score |
|----------|-------|
| IoU (validation) | **97.48%** |
| Taux de détection | **95%** (20/21 images) |

### Détails

- Entraîné sur des watermarks Banana (style texte semi-transparent)
- 1 faux négatif sur fond très lumineux
- Excellent sur watermarks similaires au dataset

## Architecture

| Composant | Valeur |
|-----------|--------|
| Encoder | EfficientNet-B4 (pretrained ImageNet) |
| Decoder | UNet++ |
| Input size | 512x512 |
| Output | Masque binaire (probabilité watermark) |
| Inpainting | LaMa (simple-lama-inpainting) |

## Usage

### Installation

```bash
pip install segmentation-models-pytorch simple-lama-inpainting torch torchvision pillow
```

### Détection seule

```python
import torch
from PIL import Image
import segmentation_models_pytorch as smp
from torchvision import transforms

# Charger le modèle
model = smp.UnetPlusPlus(
    encoder_name="efficientnet-b4",
    encoder_weights=None,
    in_channels=3,
    classes=1,
)

# Charger les poids depuis HuggingFace
from huggingface_hub import hf_hub_download
weights_path = hf_hub_download("christophernavas/watermark-remover", "segmenter.pth")
model.load_state_dict(torch.load(weights_path, map_location="cpu"))
model.eval()

# Préparer l image
transform = transforms.Compose([
    transforms.Resize((512, 512)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

image = Image.open("image_with_watermark.png").convert("RGB")
input_tensor = transform(image).unsqueeze(0)

# Prédiction
with torch.no_grad():
    mask = torch.sigmoid(model(input_tensor))
    mask = (mask > 0.5).float()

# mask contient le masque binaire des watermarks détectés
```

### Pipeline complet (détection + suppression)

```python
from simple_lama_inpainting import SimpleLama

# Après avoir obtenu le masque...
lama = SimpleLama()
result = lama(image, mask)
result.save("image_clean.png")
```

## Training

- **Framework**: PyTorch + segmentation-models-pytorch
- **Loss**: BCE + Dice Loss
- **Optimizer**: Adam (lr=1e-4)
- **Augmentations**: Rotation, flip, color jitter, noise
- **Platform**: [Modal](https://modal.com) (GPU T4)
- **Epochs**: 50

### Dataset

Images synthétiques générées avec des watermarks Banana :
- Variations de position, taille, opacité
- Différents fonds (photos, illustrations)

## Cas d usage

- Nettoyage d images pour e-commerce
- Préparation de datasets ML
- Restoration de photos

## Limitations

- Optimisé pour watermarks textuels semi-transparents (style Banana)
- Peut avoir des difficultés avec :
  - Watermarks très opaques
  - Watermarks sur fonds très lumineux/blancs
  - Logos complexes (non-textuels)
- LaMa peut introduire des artefacts sur les textures complexes

## License

MIT - Usage commercial autorisé.

## Citation

```bibtex
@misc{watermarkremover2024,
  author = {Christopher Navas},
  title = {Watermark Remover: UNet++ Segmentation for Watermark Detection},
  year = {2024},
  publisher = {HuggingFace},
  url = {https://huggingface.co/christophernavas/watermark-remover}
}
```

## Links

- [DevynLabs](https://devynlabs.com)
- [PixelForge Documentation](https://florinha.com/docs/projets/pixelforge)
- [segmentation-models-pytorch](https://github.com/qubvel/segmentation_models.pytorch)
- [LaMa Inpainting](https://github.com/advimman/lama)