TryOffAnyone: ИИ-инструмент для извлечения одежды из человека в виде плиточного изображения одежды

Общее введение

TryOffAnyone - это прорывной инструмент обработки изображений с искусственным интеллектом, предназначенный для решения проблем, связанных с демонстрацией одежды в сфере электронной коммерции. Он способен интеллектуально преобразовывать фотографии одежды реальных людей в состоянии носки в изображения с эффектом lay-flat display - технология, основанная на новейших моделях скрытой диффузии (LDM). Основная инновация проекта, разработанного и размещенного в открытом доступе исследователями, заключается в способности точно определять и выделять участки одежды на фотографии человека и преобразовывать их в профессиональный эффект плоского дисплея с помощью сложного алгоритма искусственного интеллекта. Этот технологический прорыв не только значительно снижает стоимость производства изображений товаров для платформ электронной коммерции, но и обеспечивает более удобное и стандартизированное решение для демонстрации товаров из одежды. Проект имеет открытый исходный код на GitHub, поддерживает быстрое развертывание и использование в среде Python, а также предоставляет подробную документацию по использованию и примеры кода.

Опыт работы: https://huggingface.co/spaces/1aurent/TryOffAnyone

Список функций

• Поддержка функции прямой обработки URL-адреса изображения в режиме онлайн
• Интеллектуальное распознавание и выделение областей одежды на изображениях
• Автоматически преобразует изношенную одежду в плоскую.
• Встроенная профессиональная обработка для удаления фона и оптимизации изображения
• Поддержка функции пакетного тестирования для набора данных VITON-HD
• Предоставьте подробные расчеты показателей оценки модели
• Интеграция нескольких методов оценки качества изображения (SSIM, LPIPS, FID, KID)
• Поддержка индивидуальных размеров изображений и параметров обработки
• Обеспечение возможности быстрого развертывания предварительно обученных моделей
• Поддержка ускоренной обработки на GPU

Использование помощи

1. Настройка и установка среды

Прежде всего, необходимо убедиться, что ваша система соответствует следующим требованиям:

• Среда Python 3.x
• Графические процессоры с поддержкой CUDA (рекомендуется для ускоренной обработки)
• Инструменты контроля версий Git

Этапы установки:

# 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. Основное использование

2.1 Обработка одного онлайн-изображения

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

Обработанные изображения будут сохранены в директории "try-off-anyone/data/".

2.2 Описание конфигурации параметров

• --seed: установка случайного семени (по умолчанию: 36)
• --steps: количество шагов обработки (по умолчанию: 50)
• --scale-scale: масштаб (по умолчанию: 2,5)
• --width: ширина выходного изображения (по умолчанию: 384)
• --height: высота выходного изображения (по умолчанию: 512)
• --gpu_id: указать идентификатор устройства GPU (по умолчанию: 0).

3. Использование расширенных функций

3.1 Пакетная обработка набора данных VITON-HD

1. Скачать набор исходных данных VITON-HD
2. Загрузите файл маски изображения одежды:
   • Посетите: https://huggingface.co/ixarchakos/tryOffAnyone/blob/main/masks.zip
   • Распакуйте в каталог "try-off-anyone/data/zalando-hd-resized/test/".

Выполняйте пакетную обработку:

python3 main.py --test

3.2 Оценка качества

Система автоматически рассчитывает следующие показатели:

• SSIM (структурное сходство)
• LPIPS (воспринимаемое сходство)
• FID (начальное расстояние Фреше)
• KID (Kernel Inception Distance)

4. Заметки и рекомендации

• Для входных изображений рекомендуется использовать четкие фотографии одежды спереди
• Текущая версия поддерживает в основном обработку с верхней загрузкой
• Рекомендуется использовать GPU для обработки данных, чтобы получить более высокую производительность
• Контролируйте использование системных ресурсов при обработке большого количества изображений
• Регулярно обновляйте модели и пакеты зависимостей для достижения наилучших результатов

5. решение общих проблем

1. Если вы столкнулись с ошибками, связанными с CUDA, проверьте:
   • Правильно ли установлен драйвер графического процессора
   • Совпадает ли версия CUDA с версией PyTorch
2. Проблемы с качеством обработки изображений:
   • Настройте параметр --steps, чтобы добавить этапы обработки
   • Отрегулируйте параметр -масштаб, чтобы улучшить эффект.
3. Проблема нехватки памяти:
   • Уменьшить размер партии
   • Уменьшение размера входного изображения