AI проекты
Этапы подбора
Резюме
Блог
Почему услуга бесплатна
О проекте
Демонстрация
Участники
Благодарность
Стажировка по проекту
Компания: ООО «Научно-Исследовательский ИнститутЦифровые Технологии»
Система поиска товара по загруженному изображению
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Разработать пилотную версию модели, способную подбирать одежду по схожести характеристик, таких как: цвет, фактура, класс и форма, на основе фотографии, загруженной пользователем
1 команда: На выходе мы имеем до 10 возможных вариантов одежды
2 команда: Визуальное представление из 15 изделий лёгкой промышленности, схожих по покрою, цвету, фасону с загруженным товаром.
В проекте использовалась база данных из 12 000 фотографий одежды, разделенных на 12 классов: 'платье деловое', 'платье повседневное', 'платье домашнее', 'платье торжественное', 'рубашка мужская', 'рубашка женская', 'спортивная одежда мужская', 'спортивная одежда женская', 'футболка мужская', 'футболка женская', 'брюки мужские', 'брюки женские'. На вход поступает изображение одежды и определяется класс из 12 возможных и внутри класса модель делает идет подбор по форме и цвету
Рекомендательные системы помогают пользователям быстро и удобно находить нужные товары, учитывая их индивидуальные предпочтения и потребности. Они также увеличивают прибыль
компаниям, так как большое количество покупок на маркетплейсах приходится именно на рекомендованные товары. Наша система может быть использована в онлайн-магазинах одежды, а также в приложениях для стилистов и модных блогеров
Участники
1 команды проекта
  • Титов Михаил
    Тимлид проекта
    Михаил - руководитель проекта, координировал работу команды, контролировал сроки и качество выполнения задач
  • Лазюк Владимир
    Индивидуальный предприниматель
    • Использования алгоритма DeepImageSearch для поиска изображений по схожести;
    • Для подбора одежды по цвету были выполнены следующие шаги: удаление фона из фотографий, извлечение основных цветов, расчет расстояния между цветами с использованием библиотеки colormath;
    • Развертывание на сервере заказчика веб-приложение на основе фреймворка Django, в котором реализованы два алгоритма подбора одежды по цвету: один, разработанный Дмитрием, использует один основной цвет, а другой, разработанный Владимиром, использует два основных цвета. Для асинхронной обработки запросов применили библиотеку Celery
  • хРЕНОВ дМИТРИЙ
    Менеджер проекта в компании Тензор
    • Создание алгоритма, который подбирает одежду по одному основному цвету, используя метод составления цветовой карты на основе анализа изображений; Алгоритм также применяет критерии формы одежды и обучает модель с использованием вариационного автокодировщика (VAE). Благодаря алгоритмам Дмитрия, команда смогла достичь высокого качества подбора цвета
  • Малашева Кермен
    Экономист: работала в финансовом отделе АО «Газпром Оргэнергогаз»
    • Подготовка базы данных, включая очистку и дополнение недостающих изображений;
    • Обучение модели с использованием предварительно обученной модели ResNet50 для обработки изображений и извлечения признаков
  • Павлов Роман
    Руководитель направления ИТ-бюджетирования в государственной компании
    • Выполнение задачи по оптимизации базы данных, включая удаление изображений с нежелательными элементами, такими как логотипы и надписи;
    • Эксперименты с рекомендательной системой на основе нейронной сети ResNet50 и тестирование гипотезы по определению цвета центрального пикселя изображения
  • Чапцов данил
    Программист
    • Подготовка базы данных и обучение модели с использованием сиамских нейронных сетей;
    • Оптимизирование функции для работы с цветами изображений
  • Гончарова Татьяна
    Педагог дополнительного образования
    • Специалист по подготовке базы данных и созданию модели на основе Tesnorflow Similarity для подбора одежды по форме и цвету
Участники
2 команды проекта
  • Рубцов Антон
    Тимлид проекта
    Антон - руководитель проекта, координировал работу команды, контролировал сроки и качество выполнения задач
  • Пензов Роман
    Заместитель генерального директора компании по импорту и производству обуви
    • Анализ данных и подбор алгоритмов решения;
    • Подготовка данных: os, PIL, Regex, Аугментация;
    • Модификация архитектуры предобученной модели VGG16;
    • Построение VAE для решения задачи;
    • Вывод образцов изображений ближайших соседей с помощью NearestNeighbors и Matplotlib
  • Грибков Дмитрий
    Руководитель по концепции Retail
    • Анализ данных и подбор алгоритмов решения;
    • Подготовка данных: os, zipfile, PIL, Numpy;
    • Построение AutoEncoder для решения задачи;
    • Prompt-запросы к ChatGPT для архитектурных решений;
    • Вывод образцов изображений ближайших соседей с помощью NearestNeighbors и Matplotlib
  • Романцов Георгий
    Занимался криптообмениками, растаркой щебня/песка/графия, также работал в Siemens
    • Работа по очистке датасета от выбросов и по стандартизации изображений;
    • Подготовка данных: os, PIL, Numpy;
    • Использование фреймворка; DeepImageSearch для решения задачи
    • Построение AutoEncoder для решения задачи;
    • Вывод образцов изображений ближайших соседей с помощью NearestNeighbors и Matplotlib
  • Трохачев Антон
    • Работа по очистке датасета от выбросов и по стандартизации изображений;
    • Подбор моделей нейронных сетей для решения задачи с помощью фреймворка DeepImageSearch;
    • Использование предобученной модели VGG16;
    • Построение алгоритма выделения метки по цвету загружаемой вещи для использования в CVAE;
    • Построение СVAE для решения задачи
    • Вывод образцов изображений ближайших соседей с помощью NearestNeighbors и Matplotlib
  • Архипов Александр
    • Анализ данных и подбор алгоритмов решения;
    • Подготовка данных: os, PIL, Numpy;
    • Построение Conditional AutoEncoder для решения задачи;
    • Обучение с построением анимации изменения скрытого пространства;
    • Вывод образцов изображений ближайших соседей с помощью NearestNeighbors и Matplotlib
Демонстрация проекта 1 команды
Демонстрация проекта 2 команды
Благодарность университетУ