"야, 나 앞머리 있는게 나아, 없는게 나아??"
"아... 스타일 좀 바꾸고 싶은데, 머리 어떻게 하지???"
여러분, 머리는 바꾸고 싶은데, 나한테 잘 어울릴지는 모르겠고... 직접 해보기에는 망설인 경험이 있으신가요?
나에게 어울리는 스타일을 정교하게 추천받고, AI를 사용해 자연스럽게 헤어를 바꿔볼 수 있는 서비스 '헤어비'를 체험해보세요!
- 서비스 예시
- Google Play Store 뷰티분야 인기차트 6위 & 누적 사용자 10만+
- SW 마에스트로 우수 프로젝트상 수상( 상위 14% )
얼굴형 분석 기능 구현과정
- 기존의 얼굴형 분류기준이 전문가들과 인터뷰한 결과 적합하지 않다는 결론
- 전문가들과 함께 얼굴형 분류 방식 구축, 5 개의 얼굴 형태로부터 헤어에 영향을 주는 21 가지 얼굴형 구축
새로운 분류기준을 마련했기에 기존 데이터셋을 사용할 수 없는 문제 발생. 상업적으로 사용이 가능한 이미지 ( Kaggle(niten19/face-shape-dataset), github(a312863063/seeprettyface, CelebV-HQ/CelebV-HQ) 등 )를 이용하여 새로운 데이터 셋 구축, 이미지 증강 기술을 활용하여 구축한 데이터 셋의 품질 향상
광대와 턱 특징을 분리하고 얼굴의 측면 비율을 독립적으로 분석하는 방법을 통해 모델링을 진행 기존 모델과 달리 얼굴 비율, 광대 및 턱 특징을 동시에 평가하는 것이 아닌, 우리의 얼굴 분류 기준에 알맞은 모델을 구성하기 위해 긴 형태와 계란 형태와 같은 유사한 기하학적 특징을 가진 얼굴 형태를 구별하는 것에 초점을 맞춰 학습 진행 턱의 기하학적 모형을 dlib 모델을 활용한 랜드마크 추출과 함께 정규화 된 거리, 비율 및 각도를 계산하여 얼굴형 분류 모델 개발
보기
- 현재 뷰티시장은 퍼스널 컬러를 시작으로 맞춤형 스타일에 대한 관심이 커지는 추세입니다. 특히 현재 시장에 나와있는 전문가를 통한 퍼스널 헤어 진단 서비스는 최소 20만원 상당의 금액을 요구하며 그 수요 또한 매우 높기에 티켓팅 형식으로 이루어짐.
- 새로운 스타일로의 시도는 리스크가 존재함. “어울리지 않을까봐(70.2%)” 가 가장 대표적인 이유. (2023.05.21.~2023.05.24, 120명을 대상으로 진행한 설문조사에서) 70.2%가 어울리지 않을 때의 리스크 때문에 새로운 스타일을 시도하지 못하고 있으며, 81%가 자신에게 어울리는 스타일에 대해 알기 어렵다고 답했음.
- 시도하지 않고 본인에게 어울리는 스타일을 찾는 과정은 매우 어려움. 전문가의 의견에 따르면, “스타일이 어울리는 정도를 결정하는 요소는 셀 수 없이 많고” (퍼스널 컬러 진단 기업 ‘톤앤핏’ 대표 김혜인), “작은 변화에도 큰 차이가 발생하는 얼굴만으로 개인이 이를 판단하기는 어렵다” (스타일 컨설팅 기업 ‘스타일 하우’ 대표 김송하)고 함. 즉, 스스로에게 어울리는 스타일이 어떤 것인지 판단하는 과정에서 전문적인 지식을 요함.
- 본인에게 어울리는 헤어를 추천 받을 수 있는 앱 내 컨설팅 서비스 앱 서비스에서 얼굴형 분석, 퍼스널 컬러 검사를 통해 본인에게 어울리는 헤어스타일을 추천 받을 수 있도록 함.
- 헤어비 가상헤어체험 AI 생성 기술을 통해 다양한 헤어 스타일을 미리 체험해 볼 수 있도록 하여, 사용자가 특정 스타일에 대한 궁금증을 사진 퀄리티의 헤어 변경을 통해 해소할 수 있음. 또한 디자이너와 헤어 상담 중 어울리는 스타일을 찾을 때 실시간으로 특정 스타일을 자신의 얼굴에 적용해볼 수 있게 해 상담의 질을 높임.
보기
💡 가설: 헤어추전과 AI가상헤어체험기능을 통해 높은 수요의 퍼스널 헤어시장을 변화시킬 수 있을 것이다.
- 전문진을 통한 로직 분석 및 도메인 지식 학습 그리고 빠른 배포를 통해 가설을 검증했습니다.
- 전문진을 기반으로 한 도메인지식 학습, 로직 검증
- 빠른 서비스 출시를 통한 가설 검증
- 퍼스널 헤어 추천 기능 출시 후 862명의 사용자 유치
Java, Spring Boot, JPA, Python, FastAPI MySQL, RabbitMQ, Redis, Diffusion AI, AWS, Docker, Github Action
Back-end ( 팀원 구성 : Back-end 1, AI 1, Front-end 1 )
-
비용 절감 클라우드 아키텍처 설계
- GPU서버로 인한 고비용 문제를 CloudWatch Event, Spot 인스턴스, lambda를 활용한 아키텍처 재설계를 통해 클라우드 비용 65% 절감 (관련 내용 : GPU서버비용 절감하기-1, GPU서버비용 절감하기-2)
- 데이터 유실을 해결을 위한 RabbitMQ 메세지 대기열 시스템 구축 (관련 내용 : RabbitMQ 적용기)
-
API 성능 개선
- EHCache를 활용한 쿼리 캐싱을 통해 API 성능 (34 TPS → 71 TPS)로 개선 (관련 내용 : Ehcache를 활용한 API 성능개선)
- 서버의 리소스 낭비를 방지하기위해 Redis를 활용하여 API 중복요청 방지 구현 (관련 내용 : Redis API 중복요청 방지)
- Pre-signed URL을 도입하여 이미지 업로드 시 발생하는 서버의 빈번한 파일 I/O 작업과 네트워크 지연에 따른 속도 저하를 감소
-
기능 개발
- JPA, QueryDSL을 활용한 Restfu API 개발
- 비동기 & Non-blocking 방식을 도입하여 처리 성능 개선
- AOP와 Exception Handler를 이용한 로깅
-
CI/CD Workflow 구축
- AWS & Docker & Github Actions & codeDeploy를 이용한 CI/CD 무중단 배포 자동화 구축
-
WEB 개발 (얼굴형 보고서 공유 페이지, 프로젝트 홈페이지)
