Завдання класифікації патернів не втрачає актуальності у сферах трендів, стилю, моди, персоналізації, виробництва та дизайну. Висвітлено дослідження, спрямоване на проєктування та розроблення моделей і засобів класифікації патернів елементів одягу із використанням машинного навчання. Воно вирішує актуальне питання комп’ютерного зору, а саме підвищення ефективності класифікації патернів елементів одягу. Дослідження виконано з власним набором даних, що містить 600 зображень. Для здійснення класифікації визначено такі патерни: “у клітинку”, “у крапку”, “рослинність / квітковий”, “принт”, “суцільний”, “у смужку”. За допомогою мови програмування Python і фреймворків глибокого навчання Keras та TensorFlow розроблено згорткову нейронну мережу. Використано масштабований фреймворк Keras-Tuner для оптимізації гіперпараметрів розробленої мережі. Структура згорткової нейронної мережі містить вхідну частину, частину визначення характерних ознак у зображенні та частину для визначення типу патерну. Описано архітектуру використаної згорткової нейронної мережі. Застосовано набір інструментів CUDA, бібліотеку cuDNN та прошарок WSL для навчання згорткової нейронної мережі за допомогою графічного процесора, що дало змогу істотно пришвидшити навчання згорткової нейронної мережі. Для оцінювання розробленої згорткової нейронної мережі використано метрики, які охоплюють точність, прогностичну значущість позитивного результату та повноту. Вебзастосунок розроблено мовою програмування Python із фреймворком FastAPI. Вебзастосунок має описаний прикладний програмний інтерфейс для взаємодії зі згортковою нейронною мережею, використано також бібліотеки Pillow (PIL) для роботи із зображеннями та Rembg для видалення фону зображення. Користувацький інтерфейс розроблено мовою програмування JavaScript із використанням мови розмітки, каскадних таблиць стилів та фреймворком React. Інтерфейс користувача представлено як інтуїтивний інструмент для взаємодії із системою. Розроблене програмне забезпечення використовує модульний принцип, що дає змогу швидко модернізувати програмний засіб. У результаті застосування підходу перенесення навчання досягнуто точність тестування 93,33 %, а з використанням підходу тонкого налаштування отримано остаточну версію згорткової нейронної мережі для класифікації патернів елементів одягу із точністю тестування 95 %. Навчену нейронну мережу апробовано на нових зображеннях визначених типів патернів, наведено приклади для двох патернів.
1. Zakaryan, V. (2022, June 17). AI Clothing Detection: Use Cases for Fashion and E-commerce. Retrieved from: https://postindustria.com/ai-clothing-detection-use-cases-for-fashion-and-e-commerce/
2. Wang, H. (2018, July 30). Rule-free sewing pattern adjustment with precision and efficiency. ACM Transactions on Graphics, 37, 1–13. https://doi.org/10.1145/3197517.3201320
3. Liu, L., Xu, X., Lin, Z., Liang, J., & Yan, S. (2023, December). Towards Garment Sewing Pattern Reconstruction from a Single Image. ACM Transactions on Graphics, 42(6), Article 200, 15 pages. https://doi.org/10.1145/3618319
4. Shen, Y., Liang, J., & Lin, M. (2020). GAN-Based Garment Generation Using Sewing Pattern Images. https://doi.org/10.1007/978-3-030-58523-5_14
5. Mehta, K., & Panda, S. P. (2022). Sentiment Analysis on E-Commerce Apparels using Convolutional Neural Network. International Journal of Computing, 21(2), 234-241. https://doi.org/10.47839/ijc.21.2.2592
6. El-Nahas, M. M. A. (2021). The Impact of Augmented Reality on Fashion and Textile Design Education. International Design Journal, 11(6), Article 3.
7. Jadhav, O., Patil, A., Sam, J., & Kiruthika, M. (2021). Virtual Dressing using Augmented Reality. ITM Web of Conferences, 40, 03028. https://doi.org/10.1051/itmconf/20214003028
8. Hussain, M. A. I., Khan, B., Wang, Z., & Ding, S. (2020). Woven Fabric Pattern Recognition and Classification Based on Deep Convolutional Neural Networks. Electronics, 9, 1048. https://doi.org/10.3390/electronics9061048
9. Birjuk, A. (2023, September 25). Unseen and unheard: The power of anti-surveillance clothing. Retrieved from: https://medium.com/@alinabirjuk/unseen-and-unheard-the-power-of-anti-surveillance-clothing-156570fefb0 e
10. Rajasekhar, K. E. (2020, August 21). Convolutional Neural Network. Retrieved from: https://developersbreach.com/convolution-neural-network-deep-learning/
11. JetBtains (n.d.). PyCharm – The Python IDE for Professional Developers. Retrieved from: https://www.jetbrains.com/pycharm/
12. Jupyter (n.d.). The Jupyter Notebook is a web-based interactive computing platform. Retrieved from: https://jupyter.org/
13. TensorFlow (n.d.). Create production-grade machine learning models with TensorFlow. Retrieved from: https://www.tensorflow.org/
14. Keras (n.d.). Keras – deep learning API. Retrieved from: https://keras.io
15. Nvidia (n.d.). CUDA Toolkit. Retrieved from: https://developer.nvidia.com/cuda-toolkit
16. Nvidia (n.d.). CUDA Deep Neural Network library. Retrieved from: https://developer.nvidia.com/cudnn
17. Loewen, C., Wojciakowski, M., & others. (2023, August 28). Windows Subsystem for Linux. Retrieved from: https://learn.microsoft.com/en-gb/windows/wsl/install
18. Sebastián Ramírez (n.d.). FastAPI framework, high performance, easy to learn, fast to code, ready for production. Retrieved from: https://fastapi.tiangolo.com/
19. Gatis, D. (2020). Rembg – a tool to remove images background. Retrieved from: 20. Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90‑95. https://doi.org/10.1109/MCSE.2007.55
21. Teslyuk, V. M., & Ivasiv, S. S. (2023). System for recognizing clothing items and their colors in an image. Ukrainian Journal of Information Technology, 5(2), 25‑32. https://doi.org/10.23939/ujit2023.02.025
22. Stearns, L., Findlater, L., & Froehlich, J. E. (2018). Applying Transfer Learning to Recognize Clothing Patterns Using a Finger-Mounted Camera. In Proceedings of the 20th International ACM SIGACCESS Conference on Computers and Accessibility (ASSETS '18) (pp. 349‑351). Association for Computing Machinery. https://doi.org/10.1145/3234695.3241015
23. Dey, E., Tawhid, M. N. A., & Shoyaib, M. (2015). An Automated System for Garment Texture Design Class Identification. Computers, 4, 265-282. https://doi.org/10.3390/computers4030265
24. Chen, H., Gallagher, A., & Girod, B. (2012). Describing Clothing by Semantic Attributes. In 2012 IEEE Conference on Computer Vision and Pattern Recognition (pp. 609-623). https://doi.org/10.1007/978-3-642-33712-3_44
25. Manfredi, M., Grana, C., Calderara, S., & et al. (2014). A complete system for garment segmentation and color classification. Machine Vision and Applications, 25, 955‑969. https://doi.org/10.1007/s00138-013-0580-3
26. Islam, S. S., Dey, E. K., Tawhid, M. N. A., & Hossain, B. M. M. (2017). A CNN Based Approach for Garments Texture Design Classification. Advances in Technology Innovation, 2(4), 119‑125. Retrieved from: https://ojs.imeti.org/index.php/AITI/article/view/366
27. Datagen (n.d.). Understanding VGG16: Concepts, Architecture, and Performance. Retrieved from: https://datagen.tech/guides/computer-vision/vgg16/
28. Dr. Info Sec. (2021, March 6). VGG-19 Convolutional Neural Network. Retrieved from: https://blog.techcraft.org/vgg-19-convolutional-neural-network/
29. Narein, A. T. (2021). Inception V3 Model Architecture. Retrieved from: https://iq.opengenus.org/inception-v3-model-architecture/#google_vignette
30. Chollet, F. (2017). Xception: Deep Learning with Depthwise Separable Convolutions. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1800-1807). Honolulu, HI, USA. https://doi.org/10.1109/CVPR.2017.195
31. Datagen (n.d.). ResNet-50: The Basics and a Quick Tutorial. Retrieved from: https://datagen.tech/guides/computer-vision/resnet-50/
32. O'Malley, T., Bursztein, E., Long, J., Chollet, F., Jin, H., Invernizzi, L., & others. (2019). KerasTuner. Retrieved from: https://github.com/keras-team/keras-tuner