Nam's

이왕 하는거 프론트엔드도 직접 하기로 결정했다. 먼저, 지난학기에 써본 Figma로 UI Prototype을 만들었다. 1. PC (1440x1080) 2. Phone (460x900)

지난 7월1일 ~ 3일 학교 커뮤니티를 통해서 신발 검색과 관련하여 몇가지 설문 조사를 진행했다. 46명이 응답했고, 응답자 연령대는 20살부터 29살까지다. 성비는 여자 18명, 남자 28명이다. Q. 현재 보유하고 있는 신발 개수 (평균: 7.8개) (*최댓값, 최소값 1개씩을 지우고 평균내린 값) 우리 플랫폼에 꼭 필요한 질문은 아니지만 신발에 대한 사람들의 관심 정도를 알고 싶어 기입했다. 평균값: 7.8개 최빈값: 6개 Q. 신발을 검색할 때 사용하는 플랫폼 (2번 이상 응답된 플랫폼만 차트에 포함) 검색 플랫폼으로 가장 많이 사용하는 것은 네이버였다. 구글, 무신사, ABC가 같은 응답 수로 뒤를 이었다. Q. 신발을 구매할 때 사용하는 플랫폼 (2번 이상 응답된 플랫폼만 차트에 포함) 신발 ..

신발 검색 엔진 Front-end, Back-end 틀을 짜는데 3일, 웹 호스팅을 위한 Lightsail, DB 준비에 1일, 이미지 유사도 모델을 만드는데 3일이 걸렸다. 거의 다 했다고 생각했는데, 이 세가지를 합치는데 5일정도 걸렸다. 인공지능 모델을 서비스로 연결하는데 어려움이 많이 있었다. (사실 아직도 많이 남아있다.) 1. System 구조 설계 2. AI 모델 AWS Lightsail로 옮기기 3. Memory 최적화 1. System 구조 설계 전체 적인 시스템 구조는 위와 같다. Machine이 AI Model을 의미한다. 사용자의 요청에 따라 Server는 Machine을 이용해 비슷한 이미지 후보군을 뽑은 후 Database에서 해당 상품 리스트를 Client에게 전달한다. 사용자..

지난 토요일 구현한 Autoencoder with VGG16이 성능이 안좋아서 실망하고 오늘(6.28 월) 다시 새로운 마음으로 시작했다. 사실 Autoencoder를 사용했던 것은 그냥 unsupervised 하게 신발의 feature를 학습하려면 그래야할 것 같아서였다. 참고 자료도 없이 그냥 뇌피셜로 진행했던 건데, 이번에는 이미지 유사도 측정 방법들을 먼저 검색해보고 공부해봤다. 찾다보니 CBIR(Contents-Based Image Retrieval) 라는 용어로 지칭하기도 하는 것 같다. VGG16 - Feature Extraction [참고자료, 코드출처] - https://ichi.pro/ko/python-eul-sayonghayeo-imiji-geomsaeg-enjin-guchug-190..

지난 6월 25, 26일(금,토)에는 이미지 유사도 측정 모델을 처음으로 구현해봤다. (ML을 도와주기로한 친구와 같이 진행했다.) 우선은 2만5천장의 사진에 모두 Label을 만드는 것이 현실적으로 어렵다고 판단했고, 장기적으로도 Unsupervised Learning이 유지 보수에 유리하다고 판단했다. 가장 먼저 떠오른 아이디어는 Autoencoder의 형태로 모델을 만들어서 추출된 Feature값을 비교하는 방식으로 이미지 유사도를 측정하는 것이었다. 1. Autoencoder Tutorial 먼저, Tensorflow-Keras 공식 Autoencoder tutorial을 보고 아주 간단한 autoencdoer를 만들었다. latent_dim = 64 class Autoencoder(Model):..

화,수,목 3일간 빠르게 웹 클라이언트와 서버를 구현했다. 종강하고 과제, 연구실 일정이 끝나서 속도가 빨라졌다. 생각했던 것 보다 빠르게 결과물이 나왔지만, 어려웠던 부분도 있었다. Lightsail도 처음이고, 웹에서 Flask로 Client와 Server를 분리해본 경험도 없었다. 1. Javascript에서 REST Api 데이터 받기 프론트는 따로 프레임워크를 공부할 시간을 아끼고 싶어서 bootstrap 코드들만 가져와서 구현중이다. 따라서 프레임워크에서 제공하는 REST Api 툴을 사용할 수 없었고, javascript로 직접 받아와야 한다. fetch 라는 내장 함수로 연결과 데이터 수신이 가능하다. 사실 지금은 급한대로 내가 프론트 개발을 하고 있는데, 프론트 개발자의 필요성을 많이 느..

신발 이미지 검색 엔진의 핵심은 "이미지 유사도 측정 모델"이다. 하지만 우선 뭐라도 눈에 보여야 동기부여가 더 될 것 같아서 최소한의 기능만 있는 웹 서버와 클라이언트를 먼저 구현했다. www.shoogle.ml 홈 화면 검색 결과 화면 학기 중에 만들어 두었던 무신사 크롤러를 변형해서 사진 외에 상품 정보들도 긁어오게 만들었다. 약 2만 5천장의 사진 url과 제목, 가격, 브랜드 정보를 기반으로 간단한 검색 엔진을 만들어 두었다. 사진을 클릭하면 무신사 해당 제품 페이지로 연결된다. 현재 UI를 개선하는 것보다는 모델 구현이 더 중요하기 때문에 필수적인 기능만 구현했고, 아직 개선해야될 부분이 많다. 특히 이미지 입력 UI는 당장 뜯어 고치고 싶지만 모델 구현을 위해서 뒤로 미룬다. Server -..

종강했다. 신발검색엔진을 본격적으로 시작하려 한다. 프로젝트 소개를 다시 한번 하자면, 네이버와 구글에서 제공하는 이미지 검색을 '신발'에만 초점을 맞춰서 서비스하면 내가 더 잘할 수 있지 않을까? 라는 생각에서 시작한 신발 이미지 검색 엔진 프로젝트다. Project Stack Server: Flask, Python, MySQL Client: HTML, CSS Model: PyTorch DevOps: AWS Lightsail, git Communication: Notion Github Repository: https://github.com/devnjw/ShoeSearch Project URL: http://3.34.50.182:5000/ Project Preview: 최고의 신발 검색 엔진을 만들겠다는..