loops-ai 0.1.0

AI-powered ad generation pipeline that transforms product briefs into creative ad visuals

Loops — AI-Powered Ad Generation Pipeline

Pipeline automatisé de génération d'annonces publicitaires utilisant plusieurs modèles d'IA.

Project Overview

Loops est un pipeline de génération d'annonces publicitaires en 4 étapes qui transforme un brief produit et des visuels d'inspiration en une nouvelle annonce visuelle :

1. Generate concept: Extraction du concept créatif depuis un brief produit (PDF) et une annonce d'inspiration
2. Generate prompt for nanobanana: Création d'un prompt détaillé pour la génération d'image
3. Generate new ad visual: Génération d'une nouvelle annonce visuelle combinant l'image produit avec le style d'inspiration
4. Fix text (optional): Correction du texte via OCR pour corriger les erreurs de génération

Installation

Depuis GitHub Packages (package interne)

pip install loops --index-url https://pypi.python.org/simple --extra-index-url https://USERNAME:[e-mail]/denemlabs/loops.git/simple

Ou avec un fichier .pypirc configuré:

pip install loops

Note: Configurez vos credentials GitHub (token avec permissions read:packages).

Développement local

git clone [e-mail]:denemlabs/loops.git
cd loops
uv install

Prerequisites

• Python 3.13+ (verify with python3 --version)
• uv package manager (pour développement local)
  • macOS (Homebrew): brew install uv
  • Official installer (all platforms): curl -LsSf https://astral.sh/uv/install.sh | sh
  • Verify: uv --version
• Tesseract OCR (pour correction de texte)
  • macOS (Homebrew): brew install tesseract
  • Ubuntu/Debian: sudo apt-get install tesseract-ocr
  • Verify: tesseract --version
  • French language data: Download fra.traineddata and place it in the tessdata directory:
    • macOS (Homebrew): /opt/homebrew/share/tessdata
    • Ubuntu/Debian: /usr/share/tesseract-ocr/*/tessdata
    • Download from: https://github.com/tesseract-ocr/tessdata/raw/main/fra.traineddata
    • Example (macOS): curl -L -o /opt/homebrew/share/tessdata/fra.traineddata https://github.com/tesseract-ocr/tessdata/raw/main/fra.traineddata

Configuration

1. Copiez le fichier d'exemple d'environnement:

cp .env.example .env

2. Ouvrez .env et remplissez vos clés API:

ANTHROPIC_API_KEY=your_anthropic_key
OPENAI_API_KEY=your_openai_key
GOOGLE_CLOUD_PROJECT=your_gcp_project_id
GOOGLE_API_KEY=your_google_api_key
LANGSMITH_API_KEY=your_langsmith_key

Note: Gardez .env hors du contrôle de version.

Utilisation

Pipeline complet

from loops import AdGenerationPipeline

pipeline = AdGenerationPipeline(
    brand_brief_path="path/to/brief.pdf",
    inspiration_path="path/to/inspiration.jpg",
    product_image_path="path/to/product.png",
    output_path="output/ad.jpg",
)

results = pipeline.generate(fix_text=True)
print(f"Raw image: {results['raw_image']}")
print(f"Fixed image: {results['fixed_image']}")

Utilisation modulaire

from loops import NewAdConcept, PromptNanobanana, NewAdVisual

# Step 1: Generate concept
concept = NewAdConcept("brief.pdf").generate_from("inspiration.jpg")

# Step 2: Generate prompt
prompt = PromptNanobanana().generate_from(concept)

# Step 3: Generate visual
visual = NewAdVisual("product.png").generate_following(prompt)

Structure du Package

• loops.pipeline: Pipeline principal (AdGenerationPipeline)
• loops.generators: Générateurs de concepts, prompts et visuels
  • NewAdConcept: Génération de concept avec GPT-O3
  • PromptNanobanana: Génération de prompt avec GPT-4.1
  • NewAdVisual: Génération de visuel avec Gemini
• loops.processors: Processeurs d'images et OCR
  • EncodedImage: Gestion d'images encodées en base64
  • RawAdVisual: Correction OCR avec Claude
• loops.core: Modules core
  • BrandBrief: Lecture de briefs PDF
  • PromptedImage: Formatage d'images pour LangChain
  • SystemPrompt: Chargement de prompts système

Example Data Setup

Fournissez les assets suivants dans le dossier examples (référence à l'exemple doucea):

• Un document brief (PDF)
• Une annonce d'inspiration (JPEG)
• Une image produit (PNG)

Structure d'exemple:

examples/
  doucea/
    Doucéa Brief.pdf
    inspiration_ad.jpeg
    product_image.png
    outputs/

Running the Application

Depuis la racine du projet:

uv run main.py

Ou utilisez l'exemple:

uv run examples/example_usage.py

What the Application Does

Le pipeline exécute 4 étapes:

1. Step 1: Génère un concept créatif depuis le brief produit et l'annonce d'inspiration
2. Step 2: Produit un prompt détaillé pour nanobanana guidé par le concept
3. Step 3: Génère une nouvelle annonce visuelle qui combine l'image produit avec le style d'inspiration
4. Step 4 (optionnel): Corrige le texte via OCR pour corriger les erreurs de génération

Les sorties seront sauvegardées dans le dossier outputs de votre exemple (e.g., examples/doucea/outputs/doucea_new_ad_raw.jpg et doucea_new_ad_fixed.jpg).

Utilisation dans une API

Une fois installé depuis GitHub, dans votre API:

# requirements.txt ou pyproject.toml
loops @ git+https://github.com/denemlabs/loops.git

# Dans votre API
from loops import AdGenerationPipeline

@app.post("/generate-ad")
async def generate_ad(request: AdRequest):
    pipeline = AdGenerationPipeline(
        brand_brief=request.brief_content,  # String avec le contenu du brief
        inspiration_path=request.inspiration_path,
        product_image_path=request.product_path,
    )
    results = pipeline.generate(fix_text=True)
    # results contient: concept, prompt, raw_image (bytes), fixed_image (bytes)
    return results