TryOffAnyone: 人物の衣服をタイル状の衣服表示画像として抽出するAIツール

はじめに

TryOffAnyoneは、Eコマース空間における衣料品ディスプレイの課題を解決するために設計された画期的なAI画像処理ツールです。最新のLDM（Latent Diffusion Models：潜在拡散モデル）に基づく技術で、実際の人物の着用状態の衣服写真をレイフラットディスプレイ効果画像にインテリジェントに変換することができる。研究者によって開発され、オープンソース化されたこのプロジェクトの中核となる技術革新は、複雑なAIアルゴリズムによって、人物の写真内の衣服領域を正確に識別・抽出し、プロフェッショナルなレイフラットディスプレイ効果に変換する能力にある。この技術的ブレークスルーは、eコマース・プラットフォームの商品画像制作コストを大幅に削減するだけでなく、衣料品ディスプレイにより便利で標準化されたソリューションを提供する。このプロジェクトはGitHubでオープンソース化されており、Python環境での迅速なデプロイと使用をサポートし、詳細な使用説明書とサンプルコードを提供しています。

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

機能一覧

• オンライン画像URL直接処理機能をサポート
• 画像中の衣服領域のインテリジェントな認識と抽出
• 着用した衣類を自動的にレイフラット効果に変換します。
• プロ仕様の背景除去および画像最適化処理を内蔵
• VITON-HDデータセットのバッチテスト機能をサポート
• モデル評価指標の詳細な計算を提供する
• 複数の画質評価手法の統合（SSIM、LPIPS、FID、KID）
• 画像サイズと処理パラメータのカスタマイズをサポート
• 訓練済みモデルの迅速な展開機能を提供
• GPUによる高速処理をサポート

ヘルプの使用

1.環境設定とインストール

まず最初にすべきことは、お使いのシステムが以下の要件を満たしていることを確認することです：

• Python 3.x環境
• CUDA対応GPU（処理の高速化のために推奨）
• Gitバージョン管理ツール

インストールの手順

# 1.プロジェクトコードをクローンする
git clone https://github.com/ixarchakos/try-off-anyone.git
cd try-off-anyone
# 2.依存関係をインストールする
python3 -m pip install -r requirements.txt
# 3.学習済みモデルのダウンロード
# https://huggingface.co/ixarchakos/tryOffAnyone にアクセス
# ダウンロードしたモデルファイルを「try-off-anyone/ckpt/」ディレクトリに配置します。

2.基本的な使い方

2.1 単一オンライン画像の処理

python3 main.py --inference --url="画像のURLアドレス"

処理された画像は "try-off-anyone/data/"ディレクトリに保存される。

2.2 パラメーター設定の説明

• --seed: ランダムシード設定 (デフォルト: 36)
• --steps: 処理ステップ数 (デフォルト: 50)
• --scale: スケール（デフォルト：2.5）
• --width: 出力画像の幅 (デフォルト: 384)
• --height: 出力画像の高さ (デフォルト: 512)
• --gpu_id: GPU デバイス ID を指定 (デフォルト: 0)

3.高度な機能の使用

3.1 VITON-HDデータセットのバッチ処理

1. VITON-HDの生データをダウンロードする
2. ガーメントイメージマスクファイルをダウンロードする：
   • 訪問：https://huggingface.co/ixarchakos/tryOffAnyone/blob/main/masks.zip
   • try-off-anyone/data/zalando-hd-resized/test/」ディレクトリに解凍する。

バッチ処理を行う：

python3 main.py --test

3.2 品質評価

システムは自動的に以下の指標を計算する：

• SSIM（構造的類似性）
• LPIPS（知覚的類似性）
• FID（フレシェ・インセプション・ディスタンス）
• KID（カーネル侵入距離）

4.注意事項と推奨事項

• 入力画像は、衣服の正面を向いた鮮明な写真を使用することを推奨します。
• 現在のバージョンは主にトップローディング処理をサポートしている
• より良いパフォーマンスを得るためには、処理にGPUを使用することをお勧めします。
• 大量の画像を処理する際のシステムリソースの使用状況を監視する
• 最良の結果を得るために、モデルと依存パッケージを定期的に更新する。

5.一般的な問題の解決

1. CUDA関連のエラーが発生した場合は、確認してください：
   • GPUドライバーは正しくインストールされていますか？
   • CUDAのバージョンはPyTorchのバージョンと一致していますか？
2. 画像処理品質の問題：
   • 処理ステップを追加するために --steps パラメータを調整する
   • 効果を高めるために、-scaleパラメータを適宜調整する。
3. メモリ不足の問題：
   • バッチサイズを小さくする
   • 入力画像のサイズを小さくする