Ottega-Gaeanta 서버는 2021.10.15 이후로 비활성화 하였습니다.

Ottega Gaeanta

옷을 어떻게 입을지 몰라 고민하는 사람들을 위해 120만건의 여성 패션 데이터를 기반한 Look-Book 서비스입니다.

• 총 개발 기간 : 6주
• 팀원 : 5명

기능

1. 스타일 검색

• 사용자의 선호 스타일 3가지 입력
• 입력한 선호 스타일을 기반하여 스타일 사진 목록 검색 기능 제공
• 120만건의 데이터를 보여주기 전에, 많은 양의 데이터를 전처리하는데 Hadoop 사용 (이후 상세히 설명)
• 

2. 스타일 색 조합 평가

• 사용자의 의상을 색 조합에 따라 등급화하여 보여주는 패션 평가 서비스
• 웹캠을 활용한 방식과 이미지 업로드를 활용한 방식 두 가지를 지원
• Mask R-CNN 모델을 사용하여 이미지의 상/하의 객체 인식 후, Pillow lib를 사용하여 평균 색 추출
• 프로젝트 내의 개별적인 색 조합 등급표 기준으로 사용자의 색 조합 평가

3. 패피티아이

• MBTI + 패션 피플의 합성어

• 사용자의 옷을 입는 스타일과 행동 성향을 파악할 수 있는 간단한 질문지를 통해 패션 성향을 알아보는 서비스

• 13개의 질문으로 구성되어 있으며 모든 질문에 대한 답안을 선택하면 10개의 스타일 캐릭터 중 가장 점수가 높은 캐릭터로 결과 반환

• 카카오톡 공유로, 결과 페이지 공유 가능

• 

와이어 프레임

- B4A1 피그마 초안

데이터 구조

- DB 구조

주요 기술스택(특이점)

- Frontend

• Vue.js

- BackEnd

• SpringBoot
  • Gradle 6.7
  • SpringBoot v.2.4.5
• MongoDB
• Flask Model Server
  • MaskRCNN Model(Tensorflow), Pillow Library
  • Docker Flask Server
  • MaskRCNN Model 사용하여 상의, 하의, 아우터, 드레스 분리
  • Pillow Library 사용하여 색 추출
  • {“outer”:”beige”,"dress":"skyblue","pants":"","top":""} → Json 형식

- Hadoop

• 120만건의 패션 데이터 전처리

프로젝트 구조

CI/CD

• commit을 하게 되면 GitLab에서 Jenkins 서버로 hook을 날립니다.
• Jenkins 서버에서 프로젝트의 jar파일을 제작합니다.
• Ottega-Gaeanta 메인 서버로 배포합니다.

Hadoop

• AIhub 에서 획득한 120만건의 여성 패션 데이터
• 필요하지 않은 Attribute는 제거
• 한글로 되어 있는 Attribute 네이밍을 영어로 변경
• Map-Reduce 병렬 분산처리 후 다시 파일을 하나로 합치는 작업 수행
• 머신 갯수 : 3

Mask R-CNN

• Flask Server README.md Link
• MaskRCNN-Modanet-Fashion-Segmentation-and-Classification
• R-CNN에서 세그먼트까지 추출하는 Mask R-CNN을 사용함으로써 패션 객체 추출
• Pillow lib (PIL) 사용하여 추출한 패션 이미지의 평균 색을 추출하여 상/하의의 색 조합을 평가

프로젝트 개발 이슈

1. PIXI Lib - FE

• 2차원 이미지를 입체적으로 표현해주는 라이브러리

  • 원본 이미지와 입체 효과를 줄 Map 이미지를 제작
  • 명도에 따라 움직이는 정도가 달라져 사용자에게 입체감을 주는 효과

• 움직임의 대상이 되는 모델의 테두리가 분할하는 문제

  • Map 이미지의 명도 구분을 최대한 부드럽게 하여 제작

2. Flask Server - BE

• Mask R-CNN 모델의 크기가 너무 커 배포 서버의 메모리가 부족해 다운되는 현상이 빈번히 발생

  • 팀원의 개인 서버로 모델을 옮겨 서버를 분할하여 해결
  • 비용 문제 발생

• 색 조합 평가를 하는 플라스크 서버 처리시간이 약 15~20초 정도 시간 소요

  • 비용 문제로 인해 AWS의 GPU 서버가 아닌 일반 서버로 구동
  • CPU를 통해 모델 처리가 되기 때문에 GPU 서버보다 훨씬 속도가 떨어짐
  • 자체 제작 Loading Spinner를 사용하여 사용자로 하여금 기다리는 시간이 지루하지 않는 효과를 주게 됨

3. MongoDB - BE

• 처음 사용하는 NoSQL 데이터베이스
  • Table에 맞게 Entity Class 제작으로 바로 매핑하여 자동으로 JSON 형태로 데이터 처리
  • RDB에서의 관계 매핑이 없어서 편리
  • 대용량의 데이터를 타겟으로 하는 프로젝트에 적합하다고 보임

4. Hadoop

• 전처리에만 사용하는 Hadoop
  • 처음 사용하는 빅데이터 처리 라이브러리인만큼 프로젝트 API에 적용하고 싶었으나 실패
  • Hadoop의 Map-Reduce 알고리즘에 대해 공부
  • Pandas, Spark 같은 플랫폼과 연동하여 사용하는 것인지, Spring-boot와 바로 Hadoop을 연동하는 다른 방법이 있는 것인지 공부할 필요가 있음