在零售业中，服装销售是推动零售业绩增长的重要因素之一。随着大数据和人工智能技术的发展，能够利用这些技术来更好地理解消费者的需求和行为。例如，通过使用像DeepFashion这样的数据集，可以开发出AI驱动的分类器，帮助零售商识别顾客进入商店时所穿的服装。这种信息可以被动地用于收集关于顾客通常穿着的服装类型的聚合智能，或者可以主动地使用。例如，当顾客穿着连衣裙或西装进入商店时，时尚检测器可以通知销售人员。由于这些人已经穿着高档、高价值的服装，他们更有可能在商店中花费更多的钱。
要实现这一切，首先需要一个有效且准确的分类器模型。在本系列文章中，将展示一个AI驱动的深度学习系统，该系统可以通过帮助更好地理解客户的需求来革新时尚设计行业。在这个项目中，将使用：
假设熟悉深度学习的概念，以及Jupyter Notebooks和TensorFlow。如果是Jupyter Notebooks的新手，请从这个教程开始。欢迎下载项目代码。
DeepFashion数据集是一个大规模的服装数据库，具有几个吸引人的特点：服装类别和属性预测、店内服装检索基准、消费者到商店服装检索基准以及时尚地标检测基准，由香港中文大学多媒体实验室收集。然而，对于项目，将只使用类别和属性预测数据集，因为将专注于在现有图像中检测和分类服装，甚至生成新的类似图像。要跟进，请下载数据集。
类别和属性预测是一个庞大的数据集，包含按不同属性高度细分的服装图像。例如，有袖子的上衣与无袖的上衣被认为是不同的。对于这个项目，创建了自己的数据子集，减少了图像的数量和类别的特定性，以简化问题并降低计算成本。将分类从DeepFashion的原始46个类别减少到15个类别。然后，从简化的每个类别中选择了500-700张图像，如下图所示：
定制的数据集可以在这里下载。
AI驱动的深度学习系统在时尚行业可以检测、识别，然后推荐或生成新的设计。可以通过在不同服装类型的图像上训练的深度网络对服装进行分类。深度网络还可以被训练来预测服装的属性，并检测单个服装项目。真实图像将展示人们穿着多种类型的服装。例如，有人可能穿着牛仔裤、衬衫和夹克。最好有一个强大的系统，可以同时检测所有这些项目。神经网络可以被训练来检测一个或多个类型，并将每个检测到的部分发送到网络中，将其分类为服装类别之一。
此外，深度网络可以成为时尚设计推荐器或生成器：可以训练它们使用生成对抗网络（GAN）生成新的服装图像。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。