4
人工智能在服装行业的落地
识别图像标签首先需要制定专业的标签体系，这就需要与行业结合。知衣科技标签体系通过跟很多设计师的交流，并结合行业内的标准以及比较成熟的标签体系，制定出的一套标签体系能够识别超过500个不同的标签。
同时，打标也非常重要，机器学习需要通过训练数据提升准确度。深度学习第一次受到大家关注是通过imagenet，imagenet和之前的图像分类数据集相比最大的特点就是数据量大，百万量级的训练数据集才能让深度学习的算法能够达到比较好的效果。
对于服装类的数据来讲也是类似的训练过程。首先需要有大量精准的训练数据，在长期的数据积累过程中知衣科技积累了超过1000万的训练数据，所有训练数据完全由专业的设计师团队来进行打标，有一套非常严格的质量控制体系能够让标签识别准确率达到一个比较高的水平。
知衣科技与国内所有能够提供API服务的企业做过一些对标，在服装标签识别准确率上，知衣的图像识别系统至少能高出十个点，客户在使用后会感到非常明显的差异。之所以会有这样的明显的效果改进，是因为知衣科技一方面针对服装有专门的模型结构，因为标签体系很大，可以用多分支结构去训练模型，达到相互促进的效果；另一方面利用高质量的标签数据来更好地训练模型，而不是简单从imagenet上finetuning，因为这样训练出来的模型可迁移性比较差，而服装有街拍、摆拍、挂拍等等，各种各样不同的数据分布相差非常多。
服装设计师是一群非常挑剔的人，当你的模型只有70% 或者甚至有60% 的准确度的时候，对他们来讲几乎是不可用的，只有85% 到90% 的准确度才在他们容忍范围内。正确率的水平决定系统到底可用不可用，人脸识别只有80% 的准确率是完全没有办法商业化的，当准确率达到99% 的时候才有可能用到安防、支付等系统。
服装行业也是类似的，当识别准确率或者标签专业度都达不到要求的时候，系统肯定是不可用的状态。当识别准确率能够达到一定的水准之后，设计师才会逐步地去接受这样的工具。
除了标签识别之外，知衣科技也会做一些图像搜索相关的工作。推荐和搜索是最高效的两种信息获取方式。除了标签搜索之外，以图搜图的这种方式也是必要的。为什么这么久以图搜图仍然没有可用的系统？两个方面的原因，第一就是数据库的大小，算法做的再好，数据库不够全，就找不到相似的东西。因此，知衣科技的第一步就是搜集海量的服饰类相关数据库，解决基础数据的问题。
第二个问题是，搜出来东西到底是背景相似还是其他方面相似？很多人说以图搜图很简单，imagenet pretrained model，再去做特征提取和比较就可以了。但这样做出来的搜索结果完全不能够符合设计师的要求，设计师也不知道为什么会给他推荐不是他想要的结果。
知衣科技的图片搜索系统完全基于服装设计师对「相似」的理解，就是设计师是怎么去理解领形相似、颜色相似、风格相似、面料相似的。这些都是相似点，这些相似点都跟标签体系相关，在识别这些标签的过程中，提取出针对服装相似的一些特征，判断出哪两款服装相似，从而应用到服装设计师的日常工作当中。
以下几张图都是知衣科技图像识别系统的简单demo。第一张图是纹理，有些企业有比较大的花型数据库，设计师设计的时候会寻找库中有没有现成的稿件。目前知衣科技和国内一些比较大型的面料厂商有相关的合作案例。
第二张图展示的是款式搜索。大家可以看到搜出来的东西比较「神似」，一模一样的款式对设计师来讲没有太大帮助，他们想要的是相似但又不相同的款式，这样才会对他们的工作有帮助。
第三张图是知衣科技识图部分的简单demo，一张图平均下来可以识别大概10到15个不同的标签，包括各种各样的细节和设计点。经过专业设计师的检测，识别出来的准确率基本上能够达到90% 左右。
下面这张图展示的是2D和3D不同维度的识别。比如2D用于扣图以及面料颜色的识别，把肤色部分区域去除，识别出来的颜色会更加的精准。右边的是3D的效果展示，可以看到红色的底色被扣掉，但是纹理和面料还留存在上面，这样方便设计师换纹理或者换面料，能够帮助设计师节省打版和开版的成本。
在拥有技术能力和数据收集能力的背景下，能怎样去帮助设计师的业务？首先全维度数据，通过AI的算法能够识别出来服装上的设计点，在拥有这些设计点之后就能够统计分析出时尚流行趋势的变化规律，比如highlight一些设计点，通过哪些设计点下降哪些设计点上升，知道今年什么样的款式更流行，什么款式没有那么流行。
当设计师在设计的时候可以参考这些流行元素。当设计师没有灵感的时候，可以去看看应该设计什么样的款式会更加符合市场的需求，有灵感的时候也可以通过数据来验证。比如觉得今年红色流行，但数据显示红色下降了，显示黄色流行，可以看一下到底红色的款式和黄色款式都有哪些。以这种方式帮助设计师把握趋势，更好地进行风控，产生二次思考从而避免一些问题。
除了可以在渠道数据上进行从趋势到款式开发的链路，还可以通过以图搜图、智能试衣这样一些工具，帮助设计师提高效率。根据用户的行为习惯，个性化推荐图片或者博主，支持按类目以及自然语言的搜索，这样设计师找款的时候会更加方便。
通过对电商数据的收集、整理和分析，能够帮助客户更快地找到现在市场上的爆款，如何定价、如何定颜色，SKU怎么分布，不同的颜色比例，不同品类该怎么样来规划。同样通过对历史数据的分析能够让设计师清楚地了解到市场情况，比如去年双11流行什么元素，去年6月流行什么款式，从而帮助设计师在做设计的时候不会设计出太偏离市场需求的款式。知衣科技的产品能够通过一些具象的数据分析，帮助设计师或者商品部门更好地把握商品规划。
上面是知衣科技的合作案例，帮助服装从业者的单人监控店铺数量从最初10家增加到200家，款式上线周期从三周缩短到一周，开发款式数量从每个月50款增加到近每月200款。
随着直播的兴起，上新节奏越来越快。传统的服装品牌每年要上新3000到5000款，而现在很多直播网店一个月就要播2000款以上。新的服装商业模式对款式数量的需求越来越大，对开款效率的要求也越来越高，通过数据分析工具能够帮助设计师在保证开款质量的同时，提高开款效率，进而提升整个企业的运作效率。
知衣科技也能帮助服装企业提升制作商品企划的效率，大部分服装企业都要规划今年做什么产品，特别是线下服装企业，都是反季开款，提前半年做规划。怎样规划半年之后应该开多少连衣裙、衬衣、牛仔裤？怎么样把握比例？通过数据分析工具，服装企业不仅能知道自己的情况，还能了解竞争对手甚至整个行业是什么样的情况。这对企业的商品企划有巨大的指导作用，帮助商品企划制作时间从三个月缩短到两个月，另外设计师通过知衣科技的分析工具还能够提升10% 的款式选中率，开款质量能够得到更好的保证。
趋势分析和智能试衣这样的一些工具，能够提高设计师工作效率并且降低成本，例如智能试衣工具能够降低服装企业的打样成本，当设计师觉得某一款版型还不错，而面料或者纹理需要更换时，只需通过智能试衣工具在线上即可实现。
目前很多知名服装品牌或顶级淘宝店商家都与知衣科技有着深入的合作。之所以能够在相对比较短的时间内获得数百家客户青睐，是因为知衣科技的数据和技术能力不仅是被设计师认可的，而且被证明是能够在服装行业成功落地应用的。
在人工智能技术落地过程中最核心的思路是发现问题，比如要思考行业或者具体场景中有哪里需要得到提升，技术在提升过程中能够起到什么样的作用，需要什么样的技术来做支撑。找到这样的需求的时候，再去把这个需求实现出来，这样才能真正帮助客户创造价值、节省成本以及创造利润，这才是技术能够落地的比较好的场景。
来源: 微信公众号：IT桔子
共2页 上一页 [1] [2]
关注公号：redshcom 关注更多: 服装
