최종 프로젝트

나를 닮은 브랜드를 찾아주는 Ai

프로젝트 Notion :

https://shell-memory-b8b.notion.site/BRAiND-AI-24e1c163ce814501a23f545c9572d122

프로젝트 영상 :

https://youtu.be/W4uW25soDqs

기획 의도

💡 AI 기술로 패션 브랜드들의 성장을 지원

한국에 역량 있는 신진, 스몰 패션 브랜드들이 많지만 그에 비해 고객에게 발견되는 방식은 제한적이고 어렵습니다.

브래인드는 AI 기술을 활용해 패션 브랜드들이 1)적합한 고객에게 추천되고 2)임팩트 있는 브랜드 경험을 만들 수 있는 새로운 방식을 제안하는 프로젝트 입니다.

1. 성장중인 한국 패션 시장과 도메스틱 브랜드

2. 랭킹, 카테고리, 이름 검색이 전부인 '브랜드 탐색'

3. 신진, 스몰 브랜드들의 성장을 돕는 AI

4. 주요 기능

진행 경과

• 사용한 모델 수 : 20
• 학습한 이미지 데이터 수 : 288,854
• 개발한APi 개수 : 21

기술 스택

• 언어: Python, VS Code, GitHub, FileZilla
• ML 개발: Pytorch, Google Colab, Selenium, RMBG-1.4, Deface, Regnet, Swin transformer, Lavis BLIP, OOTDiffusion, YOLOv8, Scikit-Lear
• 서비스 개발: Figma, React, Node.js
• 기획 및 PM: Figjam, Notion, Upbase, Google Drive, Slack, Office 365

브랜드 추천 모델 파이프 라인

• 데이터 수집 및 전처리 : 브랜드별 스냅 이미지 약 3만장 수지 후 이미지에서 배경 및 모델 얼굴 제거
• 스타일 분류 : shuffleNet 기반, 이미지를 7개 스타일로 라벨링하여 학습
• VQA(Visual Question Answering) : 이미지만을 통한 특성 추출의 한계를 보완하기 위해 Multi model 기법 활용

플로우 차트

모델 개발 과정

패션 브랜드별 스타일 학습하기 위한 데이터 수집

• 브랜드가 라벨링 되어 있는 전신 코디 이미지 데이터 약 25만장 수집

• 브랜드 기본 정보와 브랜드에서 판매중인 제품 이미지 및 메타 데이터 약 30만개 수집

브랜드와 코디 이미지의 유사도를 계산하기 위해 이미지 벡터화

스타일 분류 결과 7개 스타일 각 라벨 별 예측 확률값을 벡터화하고 VQA로 나온 10개의 단어들을 토크나이저로 임베딩

25차원으로 줄이면 데이터의 분산이 95%가 유지되는 것을 확인하였고 연산량 줄이기 위해 PCA를 통해 96차원 벡터를 25차원으로 차원축소

스타일 벡터와 VQA 벡터를 Concat 결합. 사용자 입력 이미지와 DB에 저장된 이미지들의 벡터들 사이의 Cosine 유사도 계산 및 내림차순 정렬해 상위 브랜드 출력

성능 평가