Annotation de produit de mode de détail
Comment Shaip a mis en place un pipeline d'annotation structuré pour la mode de détail avec un étiquetage de produits multi-attributs sur des images de mannequins, de photos à plat et de modèles vivants — conçu comme un ensemble de données de qualité professionnelle pour la recherche visuelle, la recommandation de tenues, l'essayage virtuel et l'IA d'automatisation des stocks.
Résumé du projet
Alors que l'IA du commerce de détail évolue vers des expériences privilégiant le visuel (recherche visuelle, recommandation de tenues, essayage virtuel), le client avait besoin d'un pipeline d'annotation évolutif capable de catégoriser et d'étiqueter les attributs des produits de mode à travers toute la taxonomie du commerce de détail avec une richesse multicouche.
Shaip a construit le pipeline d'annotation de bout en bout couvrant la classification des catégories, l'étiquetage multi-attributs, l'isolation des boîtes englobantes multi-éléments et l'assurance qualité à deux niveaux, produisant ainsi des ensembles de données riches en intelligence produit, prêts pour les applications d'IA de commerce électronique et de vente au détail de nouvelle génération.
Principales statistiques
Seuil de précision
99 %
Niveaux d'assurance qualité
2-Tier
Couches d'attributs
6+
Catégories couvertes
Taxonomie complète
Défis
- Distinguer catégories visuellement similaires — haut long ou robe courte, jupe ou robe, veste ou surchemise
- Manipulation mannequin, mise en scène à plat et modèle vivant photographie avec annotations cohérentes
- Application Plus de 6 couches d'attributs par vêtement — couleur, motif, manches, encolure, coupe, occasion
- Isoler produits individuels dans des images multi-articles avec des cadres de délimitation précis pour chaque vêtement
- Maintenir 99% de précision à travers une grande diversité de catégories et d'attributs
Solution
Taxonomie des catégories
Les annotateurs se sont appuyés sur une taxonomie de mode structurée couvrant les hauts, les chemises, les jupes, les jeans, les pantalons, les robes, les vestes, les sandales, etc. Des règles de catégorisation strictes ont permis de gérer les cas particuliers — distinguant un haut long d'une robe courte, une jupe d'une robe, ou une veste d'une surchemise — garantissant ainsi que les modèles en aval puissent différencier des articles visuellement similaires.
Étiquetage multi-attributs
Au-delà de la simple classification par catégorie, chaque article a été étiqueté avec des attributs de produit détaillés : couleur, motif, type de manches, style d’encolure, coupe, aspect du matériau et occasion. Cet étiquetage multicouche transforme un simple ensemble de données de classification en un corpus riche d’informations sur les produits, capable d’alimenter les moteurs de recherche visuelle et de recommandation de tenues.
Gestion de plusieurs types d'images
Les produits étaient présentés sous différents éclairages, angles et arrière-plans, aussi bien sur des mannequins que sur des modèles vivants. Les vêtements se chevauchaient, apparaissaient partiellement visibles ou étaient présentés à plat ou portés. Des règles d'annotation cohérentes ont été appliquées à tous les types d'images grâce à une documentation détaillée du guide de style.
Isolation de la boîte englobante par vêtement
Des cadres de délimitation précis ont été tracés autour de chaque vêtement afin d'isoler chaque produit au sein des images contenant plusieurs articles. Pour les images comportant plusieurs produits visibles, chaque article a reçu ses propres étiquettes de catégorie et d'attributs, ce qui a considérablement enrichi chaque image du jeu de données final.
Contrôle qualité à deux niveaux et seuil de précision de 99 %
Chaque image annotée a fait l'objet d'un contrôle qualité en deux étapes. Les annotateurs de niveau 1 ont effectué la catégorisation initiale et l'étiquetage des attributs ; les contrôleurs qualité de niveau 2 ont vérifié l'exactitude des étiquettes, la cohérence des attributs et la précision des cadres de délimitation. Un seuil d'exactitude minimal de 99 % a été appliqué à chaque lot avant sa livraison.
Description du projet
| Type de jeu de données | Types d'images | Attributs | Méthode d'annotation | QA | Exactitude |
|---|---|---|---|---|---|
| Étiquetage des produits de mode en vente au détail | Mannequin, vue à plat, modèle vivant | 6+ couches par article | boîtes englobantes serrées par vêtement | Contrôle qualité à 2 niveaux | 99 % |
Les résultats
- Établi un taxonomie structurée de la mode avec différenciation des catégories dans les cas limites
- Normalisé 6+ couches d'attributs par vêtement pour la profondeur de l'intelligence produit
- Livré isolation de la boîte englobante par élément images à plusieurs éléments
- facile Porte de précision à 99 % via un contrôle qualité à deux niveaux
- Activé le client Recherche visuelle, recommandation de tenues, essayage virtuel et inventaire AI
Globalement, Shaip a contribué à transformer une exigence d'annotation de mode multi-images en un pipeline structuré et prêt pour la production, capable de prendre en charge la recherche visuelle, les moteurs de recommandation, l'essayage virtuel, l'automatisation des stocks et l'IA d'analyse des tendances sur les plateformes modernes de commerce électronique et de vente au détail.
Shaip a parfaitement saisi les subtilités de la mode : ils ont distingué des catégories qui faisaient même débat au sein de notre équipe merchandising. La richesse de leurs attributs a directement contribué à la précision de notre recherche visuelle et de nos recommandations.
