1️⃣ Introduction

1) Background

​ 기존의 닮은 배우(or 연예인) 찾기 서비스가 실제 사용자와 크게 닮지 않다는 점에서 착안

2) Project Objective

• 사용자가 배우와 닮았다고 느낄 수 있도록 개선한 서비스를 웹으로 제공
• Efficientnet과 BeautyGAN을 사용하여 최소한의 서비스를 구현

---

2️⃣ Demo 영상

---

3️⃣ Service Architecture

1) Directory 구조

   final-project-level3-cv-03
   ├── 📁 Crawiling_Part⋮
   │    └──  ⋮
   ├── 📁 Model_Part
   │    └──  ⋮
   ├── 📁 Tools
   │    └──  ⋮
   ├── 📁 Web_Part
   │    ├── 📁 back_fastapi
   │    │   └── 📁 app
   │    │       ├── 💾 __main__.py
   │    │       ├── 💾 main.py
   │    │       ├── 📁 routers
   │    │       │   ├── 💾 face_classifier.py
   │    │       │   └── 💾 face_makeup.py
   │    │       ├── 💾 storage.py
   │    │       └── 💾 utils.py
   │    ├── 📁 front_streamlit
   │    │   ├── 💾 app.py
   │    │   ├── 💾 utils.py
   │    │   └──  ⋮ 
   │    ├── 📁 kakaotalk_share
   │    │    ├── 💾 __init__.py
   │    │    └── 💾 index.html
   │    ├── 📁 log
   │    │    └── ⋮ 
   │    ├── 📁 models
   │    │   ├── 📁 beautygan
   │    │   │   ├── 💾 beautygan_model.py
   │    │   │   └── 📁 weights
   │    │   └── 📁 efficientnet
   │    │       ├── 💾 efficientnet_model.py
   │    │       └── 📁 weights
   │    ├── 💾 actor.json
   │    ├── 💾 config.yaml
   │    ├── 💾 logger.py
   │    └── 💾 Makefile 
   └── 💾 requirements.txt

---

4️⃣ DataSet

1) 데이터셋 구성 파이프라인

2) 데이터셋 수집

• 총 51221장 → 배우 별 8:2의 비율로 train set과 valid set구성
• mtcnn을 이용해 얼굴이 하나만 탐지된 사진 중 일정한 화질 이상의 이미지를 수집
• 배우 이름, 시사회, 화보등 키워드를 검색에 이용, 배우 당 500개의 이미지를 크롤링

---

5️⃣ Modeling

1) Flow Chart

2) Preprocessing

• 선글라스 착용, 2개 이상의 얼굴, 옆모습 제외
• JPEG 형식 통일
• Insight face를 사용
  • 다수의 얼굴이 detect 되는 경우 제외
  • 얼굴 부분이 너무 작거나 없는 경우 제외
• algin, crop

---

6️⃣ Product Serving

1) FrontEnd (Streamlit)

• 사용자가 이미지를 업로드할 인터페이스
• 닮은 배우 이미지, 일치율, 배우 이름 출력
• 카카오톡 공유 버튼
• 각종 UI 디자인
• 도메인 주소 할당

2) BackEnd (FastAPI)

• 1.user가 이미지 업로드 → 2. server에 detect 요청 → 전처리 → 3. client에 결과 반환 → 4. client는 얼굴이 감지된 경우와 감지되지 않은 경우를 분기처리 → 5. server는 classification 수행 시 닮은 배우 이름을 통해 GCP storage에서 배우 이미지를 가져와 client로 보냄

• 1.client에서 user이미지, 배우 이미지와 함께 server에 makeup요청 → 2. server가 전처리 후 makeup transfer 수행 → 3. 배우의 화장이 입혀진 user 이미지를 client로 보냄

3) Logging

• Google Cloud Bigquery를 사용하여 로깅 구축
• 수집 데이터 목록
  1. user와 닮은 배우의 이름
  2. user와 배우와의 일치율
  3. backend에서 BeautyGAN inference시간
  4. frontend에서 makeup-transfer request-response 시간
  5. 사용자가 image로 결과를 보기까지의 시간
  6. 전처리 과정에서 user 사진에서 detect된 얼굴의 수
  7. backend에서 classification inference시간
  8. frontend에서 classification request-response 시간

4) Github Action

• github action을 통해 간단한 배포 자동화 구축
• github main으로 push event 발생 시 google compute engine에 배포를 요청

5) Getting Started!

1. Python requirements Python: 3.7.13

2. Installation

   1. 가상 환경을 설정합니다

   2. 프로젝트의 의존성을 설치합니다

      • requirements.txt
        

        를 사용하여 라이브러리를 설치합니다.

        > pip install -r requirements.txt 
        

   3. 아래 url에 들어가서 beautygan의 가중치는 Web_Part/models/beautygan/weights 폴더 안으로, efficientnet의 가중치는 Web_Part/models/efficientnet/weights 다운받습니다.

      • beautygan 가중치 : https://drive.google.com/drive/folders/1pgVqnF2-rnOxcUQ3SO4JwHUFTdiSe5t9
      • efficientnet 가중치 : https://drive.google.com/drive/folders/113pJ2YZa_AuOGWpan7qotU3s374KzpbC?usp=sharing

   4. > cd Web_Part
      

   5. Frontend(Streamlit)와 Server(FastAPI)를 같이 실행합니다

      > make -j 2 run_app
      

---

7️⃣ Appendix

타임라인

협업 Tools

• notion

  • notion을 활용해 1차 기능 구현 계획을 세우고 각 part별로 업무를 작성
  • project kanban board를 통해 업무, part, 진행률, 담당자를 명시하여 서로의 작업 상황을 공유
  • bittcoin notion link

• github

  • 전체적으로 github flow를 사용하여 repo 관리
  • release branch를 통해 2.0.1까지 총 4가지 버전 배포

---

8️⃣ 팀원 소개