TryOffAnyone : outil d'IA permettant d'extraire les vêtements d'une personne sous la forme d'une image d'affichage de vêtements en mosaïque

Introduction générale

TryOffAnyone est un outil révolutionnaire de traitement d'images par IA conçu pour résoudre les problèmes de présentation des vêtements dans l'espace de commerce électronique. Il est capable de convertir intelligemment des photos de vêtements de personnes réelles dans leur état de port en images à effet d'affichage à plat, une technologie basée sur les derniers modèles de diffusion latente (LDM). Développée et mise en libre accès par les chercheurs, l'innovation principale du projet réside dans sa capacité à identifier et à extraire avec précision les zones de vêtements sur la photo d'une personne, et à les convertir en un effet d'affichage professionnel à plat grâce à un algorithme d'intelligence artificielle complexe. Cette avancée technologique permet non seulement de réduire considérablement le coût de production des images de produits pour les plateformes de commerce électronique, mais aussi d'offrir une solution plus pratique et standardisée pour l'affichage des produits vestimentaires. Le projet est open source sur GitHub, permet un déploiement et une utilisation rapides dans un environnement Python, et fournit une documentation d'utilisation détaillée ainsi que des exemples de code.

Expérience : https://huggingface.co/spaces/1aurent/TryOffAnyone

Liste des fonctions

• Prise en charge de la fonction de traitement direct de l'URL de l'image en ligne
• Reconnaissance et extraction intelligentes des zones de vêtements dans les images
• Convertit automatiquement les vêtements usés en vêtements plats.
• Traitement professionnel intégré de suppression de l'arrière-plan et d'optimisation de l'image
• Prise en charge de la fonction de test par lots pour l'ensemble de données VITON-HD
• Fournir des calculs détaillés des paramètres d'évaluation du modèle
• Intégration de plusieurs méthodes d'évaluation de la qualité des images (SSIM, LPIPS, FID, KID)
• Prise en charge de tailles d'images et de paramètres de traitement personnalisés
• Fournit une capacité de déploiement rapide pour les modèles pré-entraînés
• Prise en charge du traitement accéléré par le GPU

Utiliser l'aide

1. configuration et installation de l'environnement

La première chose à faire est de vous assurer que votre système répond aux exigences suivantes :

• Environnement Python 3.x
• GPU compatibles avec CUDA (recommandé pour un traitement accéléré)
• Outils de contrôle de version Git

Étapes de l'installation :

# 1. 克隆项目代码
git clone https://github.com/ixarchakos/try-off-anyone.git
cd try-off-anyone
# 2. 安装依赖包
python3 -m pip install -r requirements.txt
# 3. 下载预训练模型
# 访问 https://huggingface.co/ixarchakos/tryOffAnyone
# 将下载的模型文件放置在 "try-off-anyone/ckpt/" 目录下

2. utilisation de base

2.1 Traitement d'une seule image en ligne

python3 main.py --inference --url="您的图片URL地址"

Les images traitées seront enregistrées dans le répertoire "try-off-anyone/data/".

2.2 Description de la configuration des paramètres

• --seed : réglage de la graine aléatoire (par défaut : 36)
• --steps : nombre d'étapes de traitement (par défaut : 50)
• --scale : échelle (par défaut : 2.5)
• --width : largeur de l'image de sortie (par défaut : 384)
• --height : hauteur de l'image de sortie (par défaut : 512)
• --gpu_id : spécifie l'ID du périphérique GPU (par défaut : 0)

3. utilisation des fonctions avancées

3.1 Traitement par lots des ensembles de données VITON-HD

1. Télécharger le jeu de données brutes VITON-HD
2. Télécharger le fichier de masque de l'image du vêtement :
   • Visitez : https://huggingface.co/ixarchakos/tryOffAnyone/blob/main/masks.zip
   • Extrayez-le dans le répertoire "try-off-anyone/data/zalando-hd-resized/test/".

Effectuer un traitement par lots :

python3 main.py --test

3.2 Évaluation de la qualité

Le système calcule automatiquement les indicateurs suivants :

• SSIM (similarité structurelle)
• LPIPS (similarité perçue)
• FID (Fréchet Inception Distance)
• KID (Kernel Inception Distance)

4. notes et recommandations

• Il est recommandé d'utiliser des photos claires de vêtements faisant face à l'avant pour les images d'entrée.
• La version actuelle prend principalement en charge le traitement par chargement par le haut
• Il est recommandé d'utiliser le GPU pour le traitement afin d'obtenir de meilleures performances.
• Contrôler l'utilisation des ressources du système lors du traitement d'un grand nombre d'images
• Mettre régulièrement à jour les modèles et les dépendances pour obtenir les meilleurs résultats.

5. la résolution des problèmes courants

1. Si vous rencontrez des erreurs liées à CUDA, vérifiez :
   • Le pilote du GPU est-il installé correctement ?
   • La version CUDA correspond-elle à la version PyTorch ?
2. Problèmes de qualité du traitement de l'image :
   • Ajuster le paramètre --steps pour ajouter des étapes de traitement
   • Ajustez le paramètre --scale comme il convient pour améliorer l'effet
3. Problème de mémoire insuffisante :
   • Réduire la taille des lots
   • Réduire la taille de l'image d'entrée