Cara Membuat Sepatu Kets Buatan AI – Bagian dari tugas Jam3 adalah menghasilkan ide-ide inovatif secara independen dari pekerjaan klien, yang secara teknis menantang dan memerlukan penelitian intensif. Di Jam3 Labs, kami memanfaatkan semua ide hebat ini dan mewujudkannya dalam sprint R&D yang cepat.
Cara Membuat Sepatu Kets Buatan AI
Tujuan AdiGAN: Menciptakan produk khusus yang unik
dresslucy – Idenya adalah untuk menghasilkan tekstur menggunakan model generative adversarial network (GAN) untuk mencoba berbagai gaya yang dapat disesuaikan pada sepatu Adidas yang sama dan membuat versi modifikasi yang indah.
Salah satu tujuannya adalah untuk membuatnya tetap sederhana dan menciptakan tekstur yang dapat digunakan, namun tidak perlu khawatir tentang resolusi tinggi (setidaknya pada awalnya). Tujuannya adalah untuk melatih AI dengan cepat, memahami konsep, dan mendapatkan ide tentang cara menghasilkan konten menggunakan pembelajaran mesin. Artikel ini sebenarnya bukan tutorial, melainkan panduan mendetail tentang bagaimana Anda beralih dari sebuah ide ke prototipe kerja akhir.
Kasus penggunaan ini dapat diterapkan pada kampanye nyata untuk menghasilkan visual yang dapat diterapkan pada produk berbeda berdasarkan masukan berbeda. Jika Anda ingin mengeksplorasi ide ini lebih jauh, silakan menghubungi kami di hello@jam3.com.
Terinspirasi oleh Adidas
Kami telah melakukan banyak proyek dengan adidas, termasuk ComplexCon, Ozweego, kolaborasi dengan Donald Glover di Coachella, dan pengalaman mendalam Predator. Dalam salah satu sesi curah pendapat, kami mendapatkan ide produk yang dihasilkan pembelajaran mesin dan memutuskan untuk membuat bukti konsep di Jam3 Labs. Keberadaan nama AdiGan (adidas + GAN) juga keren kan?
Untuk melatih model pembelajaran mesin, kami menggunakan sekumpulan gambar mode tahun 90an. Idenya adalah mengambil semua warna dan format, mentransfernya, dan menghasilkan tekstur berbeda sebagai keluaran.
Baca Juga : Fashion Bergantung Pada Model AI Yang Beragam
teknologi
TensorFlow dan Tidak Nyata
Untuk mencapai hal ini, kami akan menggunakan TensorFlow dan Unreal. Tensorflow untuk bekerja dengan model GAN dan Unreal untuk memecahkan masalah grafis. TensorFlow adalah platform pembelajaran mesin sumber terbuka yang dikembangkan oleh tim Google Brain.
Ini adalah alat yang memungkinkan pengembang membangun dan menerapkan aplikasi pembelajaran mesin menggunakan berbagai alat, perpustakaan, dan komunitas yang hebat. Unreal adalah mesin game yang dikembangkan oleh Epic Games yang memungkinkan Anda membuat kreasi 3D tingkat lanjut secara real time.
Baca dokumentasi TensorFlow dan Unreal. Jika Anda memiliki pertanyaan teknis lebih lanjut, silakan hubungi Fabio Toste, Senior Creative Developer, dan Peter Altamirano, Direktur Teknis.
TensorFlow: CPU dan GPU
Langkah pertama untuk mulai bermain dengan Tensorflow adalah instalasi, dan pertanyaan pertama adalah apakah akan menggunakan CPU atau GPU. Setelah melakukan beberapa pengujian, saya dapat mengatakan bahwa GPU TensorFlow 10-20x lebih cepat dan dapat membuat perbedaan besar saat menggunakan pembuatan gambar. Tampaknya keputusannya sederhana, mari kita gunakan GPU, tetapi jika Anda menggunakan MacBook, ini bisa menjadi lebih sulit karena tidak mendukung lingkungan CUDA (Nvidia). Anda dapat mencoba PlaidML + OpenCL dan membuatnya berfungsi, menggunakan versi GPU tanpa fitur Cuda, atau menjalankan TensorFlow menggunakan platform cloud Google Colab.
Dalam kasus kami, kami ingin menguji secara lokal dan juga menggunakan RTX dengan Unreal, jadi kami tetap memerlukan Nvidia.
Solusinya adalah menginstal Windows di MacBook saya dan menggunakan GPU eksternal untuk mengakses kekuatan RTX sepenuhnya. Ini bukan tugas yang mudah, jadi silakan lihat tutorial lainnya. Tujuan artikel ini bukan untuk memberi tahu Anda cara menginstal Python dan TensorFlow. Ikuti panduan resmi instalasi TensorFlow. Untuk informasi lebih lanjut tentang cara menginstal Unreal, silakan merujuk ke pedoman ini.
Bermain dengan GAN
Sekarang setelah Anda memiliki pengaturan yang tepat, Anda dapat mulai membuat beberapa hal yang sangat keren. Pertama, saya perlu menemukan model yang bagus untuk memulai. GAN (Generative Adversarial Network) adalah pilihan yang baik untuk menghasilkan gambar, transfer gaya, dan seni.
TensorFlow menyediakan banyak koleksi model dan tutorial terlatih. Kami ingin membandingkan hasil kami dengan model yang berbeda, jadi kami memutuskan untuk menguji DCGAN, Pix2Pix, CycleGAN, dan DeepDream. Karena masing-masing tampaknya membantu menghasilkan hasil yang lebih unik.
Menggunakan kumpulan gambar dari tahun 90-an sebagai kumpulan data, saya menemukan beberapa item Adidas vintage yang keren.
Baca Juga : Aplikasi AI Yang Dapat Merevolusi Olahraga
Hasil akhirnya akan menjadi tekstur seperti ini:
Model pembelajaran mesin yang kami gunakan dilatih untuk mencocokkan hanya satu tekstur. Artinya, ini hanya dapat digunakan untuk prototipe ini dan bukan untuk pembuatan tekstur umum atau transfer gaya. Tentu saja, Anda dapat menggunakan masukan kumpulan data yang lebih besar untuk membuatnya lebih umum, tetapi hal itu mungkin memerlukan lebih banyak waktu.
DCGAN
Untuk prototipe awal dan pemahaman konsep GAN, kami menggunakan Deep Convolutional Generative Adversarial Network (DCGAN). Untuk mengetahuinya, kami memulai dengan GAN sederhana dan satu tekstur yang dipetakan ke model 3D. Saya menggunakan tekstur tunggal seperti ini:
Pertama, kami mencoba menggunakan GAN untuk merekonstruksi tekstur sebagaimana adanya, atau setidaknya sedekat mungkin.
Untuk mencapai hal ini, kami perlu membuat dua model: generator dan diskriminator. Generator menghasilkan piksel acak dan meneruskan hasilnya ke diskriminator. Diskriminator membandingkannya dengan tekstur asli dan memeriksa keakuratannya. Jika sangat jauh, kembali ke generator dan buat gambar piksel acak lainnya hingga mendekati gambar aslinya. Kami menggunakan kerugian generator untuk mengukur seberapa baik kami mampu mengelabui diskriminator, dan kami menggunakan kerugian diskriminator untuk mengukur seberapa baik diskriminator dapat membedakan antara gambar asli dan palsu. Dengan mengukur apa yang terjadi, Anda dapat mengatur waktu untuk menyelesaikan proses dan dapatkan sedekat mungkin. Hasilnya seperti yang diharapkan.
Saya memulai dengan gambar yang sangat kecil (28×28), jadi saya mendapatkan gambar beresolusi sangat rendah, seperti yang ditunjukkan di bawah ini.