（一）时尚分类的深度学习

目录

介绍

数据子集

问题陈述

下一步

• 下载源 - 120.7 MB

介绍

时尚是大生意。无论是在网上销售还是在实体店销售，服装都是零售销售的最大推动力之一。

DeepFashion等数据集的可用性开辟了新的可能性。想象一下，有一个AI驱动的分类器，商店可以用它来识别进入商店的人的穿着。

这些信息可以被动地使用，以收集有关购物者通常穿什么类型的服装的综合情报。或者，它可以被积极使用。例如，当顾客穿着裙子或西装进入商店时，时尚探测器可以提醒销售人员。由于这个人已经穿着高档、高价值的衣服，他们今天更有可能在商店里花更多的钱。

使这一切成为可能的第一步是有效且准确的分类器模型。在本系列文章中，我们将展示一个AI驱动的深度学习系统，它可以帮助我们更好地了解客户的需求，从而彻底改变时装设计行业。

在这个项目中，我们将使用：

• Jupyter Notebook作为IDE
• 库：
  • TensorFlow 2.0
  • NumPy
  • MatplotLib
• DeepFashion数据集的自定义子集——相对较小以减少计算和内存开销

我们假设您熟悉深度学习的概念，以及Jupyter Notebooks和TensorFlow。如果您不熟悉 Jupyter Notebook，请从本教程开始。欢迎您下载项目代码。

数据子集

该DeepFashion数据集是一个大型的服装数据库，其中有几个吸引人的特点：服装类别和属性预测，在车间衣服检索基准，消费者到店服装检索基准，时尚地标检测基准，由在香港中文大学的多媒体实验室收集。但是，对于我们的项目，我们将仅使用类别和属性预测数据集，因为我们将致力于检测和分类现有图像中的服装，甚至生成新的相似图像。要继续，请下载数据集。

类别和属性预测是一个巨大的数据集，其中包含按不同属性划分为高度特定类别的衣服图像。例如，有袖上衣被认为与无袖上衣不同。

对于这个项目，我们制作了自己的数据子集，减少了图像和类别特异性的数量，以简化和降低计算成本。我们将分类从DeepFashion原来的46个类别减少到15个类别。然后，我们从每个简化类别中选择了500-700张图像，如下图所示：

自定义数据集可以在这里下载。

问题陈述

时尚行业的人工智能深度学习系统可以检测、识别，然后推荐或生成新设计。衣服的分类可以通过对不同服装类型的图像进行训练的深度网络来完成。还可以训练深度网络来预测衣服的属性，并检测单个服装项目。真实图像将描绘人们穿着多种类型的衣服。例如，某人可能穿着牛仔裤、衬衫和夹克。最好有一个可以同时检测所有这些项目的强大系统。可以训练神经网络检测一种或多种类型，并将每个检测到的部分发送到网络以分类为服装类别之一。

此外，深度网络可以成为时装设计推荐器或生成器：您可以训练它们使用生成对抗网络 (GAN) 生成新的衣服图像。GAN使用训练数据集（例如大型照片数据库）来学习如何生成新的、真实的数据。

在本系列的以下文章中，我们将看到如何实现上述一些任务并将其应用于现实生活中的图像。

下一步

在接下来的文章中，我们将向你展示如何使用传输学习微调VGG19模型进行分类时尚服装类别。敬请关注！

https://www.codeproject.com/Articles/5297227/Deep-Learning-for-Fashion-Classification