Примерь онлайн: как разработать свою модель виртуальной примерки. Искандер Сафиулин, Senior Data Scientist Lamoda Tech

Продукт виртуальной примерки позволяет пользователю безопасно и легко экспериментировать со стилем прямо в приложении. Расскажу про путь, который мы прошли в разработке этой ML-модели:

- Как с нуля обучать модель для подобной задачи — от сбора данных до оценки качества
- С какими сложностями мы столкнулись при обучении, и какую эволюцию прошло наше решение
- Как мы внедряли нашу модель в прод и какие результаты получили

1. Примерь онлайн: как разработать свою модель виртуальной примерки
2. Искандер Сафиулин Data Scientist @isk_isk iskander.safiulin@lamoda.ru
3. О чем поговорим 1 О задаче виртуальной примерки 2 Эволюция разработки модели - от бейзлайна до SOTA 3 Выкатка модели в прод 48
4. Виртуальная примерочная 49
5. Виртуальная примерочная 50
6. Виртуальная примерочная 51
7. Виртуальная примерочная 52
8. Путь реализации своя модель подрядчик
9. Преимущества своего решения Контроль Качество • • Хостим на контролируемых ресурсах • Можем точечно исправлять проблемы Обучаем на целевых для нас данных Скорость Стоимость • • Можем настраивать железо под нашу потребность по скорости Генерация своей моделью будет стоить намного дешевле 54
10. План Начинаем с решением от подрядчика 55
11. План Начинаем с решением от подрядчика Переходим на нашу модель 56
12. LaTryOn — как мы делали нашу модель 57
13. Постановка задачи Фото одежды Фото человека в одежде Фото человека 58
14. Image-generative модели GAN Pix2Pix StyleGAN CLIP 2014, Goodfellow 2016, cond. GAN 2019, face synth 2021, text-image text conditioning ↓ GAN era 2014 Diffusion era 2016 VAE VQ-VAE 2013, latent space 2017, discrete 2018 latent space → 2020 DiT / Hybrid 2022 2024 DDPM SD1.5 / DALL-E 2 SDXL 2020 2022, latent diff. 2023 DiT 2023 SD3 / Flux 2024, flow match 59
15. Разработка своей модели • В современном Generative AI — это всегда дообучение уже существующей “Инициализация весов Qwen-ом” 60
16. Разработка своей модели • В современном Generative AI — это всегда дообучение уже существующей • За основу мы можем брать только модели, разрешающие коммерческое использование 61
17. Разработка своей модели • В современном Generative AI — это всегда дообучение уже существующей • За основу мы можем брать только модели, разрешающие коммерческое использование • На старте разработки (Начало 2025) такие модели сильно отставали от закрытых, но за 2025 год ситуация кардинально изменилась 62
18. Путь — от классики к open-source SOTA Наш бейзлайн Stable Diffusion 1.5/XL 0.9B/2.3B params 63
19. Путь — от классики к open-source SOTA Переходный этап Наш бейзлайн Stable Diffusion 1.5/XL Flex.2 8B params 0.9B/2.3B params 64
20. Путь — от классики к open-source SOTA Итоговая модель Переходный этап Наш бейзлайн Stable Diffusion 1.5/XL Flex.2 Qwen-Image-Edit 8B params 20B params 0.9B/2.3B params 65
21. Исследовательская стадия • Большинство подходов из публичного доступа — исследовательские, не продуктовые • В основном базируются на SD1.5 • Обучены на одном и том же датасете 66
22. Stable diffusion 67
23. Архитектура большинства подходов • Главная сеть — работает с фото человека • Вспомогательная сеть — обрабатывает фото товара • На промежуточных слоях UNet-а — инъекция признаков фото товара через attention в основную сеть OOTDiffusion 68
24. Формат input и output • Примеры датасета — пары изображений • Еще одно изображение (входное фото человека) — через маскирование • Inpainting-генерация — модель учится генерировать только внутри маски Input Output 69
25. Архитектура нашего бейзлайна • Основа идеи — CatVTON (конкатенация изображений) • Единая сеть, работающая с одним потоком • Self-attention вместо cross • Inpainting-формат генерации 70
26. Где взять данные для обучения? • Самый популярный открытый датасет — Viton-HD • ~12к обучающих примеров Проблемы: • Запрещено коммерческое использование • Ограниченность данных 71
27. Сбор собственного датасета У нас много товаров, и мы можем собрать свою выборку: • Бренды нашей компании — Nume и Mademan — плюс Lime 72
28. Сбор собственного датасета У нас много товаров, и мы можем собрать свою выборку: • Бренды нашей компании — Nume и Mademan — плюс Lime • Есть flat-lay фотографии 73
29. Сбор собственного датасета У нас много товаров, и мы можем собрать свою выборку: • Бренды нашей компании — Nume и Mademan — плюс Lime • Есть flat-lay фотографии • В сумме — ~4500 пар • Только upper-body одежда 74
30. Препроцессинг данных Detector + SAM2 Маска одежды Объединяем Human Body Mask Маска части тела 75
31. Тройка для обучения вход выход 76
32. Обучение модели • Стек — pytorch, diffusers • Обучаем все веса модели • 1 x A100 • BS = 16 • bfloat16 • Train: ~4000 примеров • Val: ~500 примеров • Начали с 512x384, потом — 768x576 • 10к итераций - ~10 часов 77
33. Примеры генераций бейзлайна Неплохие результаты: 78
34. Примеры генераций бейзлайна Но проблем хватало: 79
35. Примеры генераций бейзлайна Зато мы могли устраивать коллаборации с тату-салонами! 80
36. Итеративное улучшение модели • Провели много итераций по исправлению проблем модели • Одна из проблем — маскирование • Как думаете — что не так с маской справа? 81
37. Итеративное улучшение модели • Провели много итераций по исправлению проблем модели • Одна из проблем — маскирование • Как думаете — что не так с маской справа? • Маска сильно ликует -— содержит сигнал о надетой одеже • Модель переобучается под маску и начинает подстраивать вещь под неё 82
38. Итеративное улучшение модели • Решение — расширение маски • Уменьшаем сигнал о форме изначальной одежды • Но появляются другие минусы • Маскирование — проблемная часть пайплайна 83
39. Выход Qwen-Image-Edit меняет правила игры • В августе Alibaba выпускает модель — Qwen-Image-Edit • 20B параметров, современная архитектура, Apache 2.0 лицензия • Гигантский скачок в open-source качестве 84
40. Испытания Qwen-Image-Edit • Пробуем модель в первый раз • Получаем ~50 секунд генерации на A100 • Грустим — очень долго для нас 85
41. Испытания Qwen-Image-Edit • Пробуем модель в первый раз • Получаем ~50 секунд генерации на A100 • Грустим — очень долго для нас • Через месяц выходит дополнение к модели — Lightning-LoRA • Уменьшает кол-во шагов генерации с 30 до 4/8 • Тестируем — работает за ~10-12 секунд практически без потери качества • Зеленый свет — можем переходить на её обучение 86
42. Архитектура 87
43. 1. Используем фото на модели в качестве референса • Использовали flat-lay фото в качестве референса, так как модели с ним проще работать • Но для большинства товаров flat-lay нет, только фото модели в одежде 2 % товаров 88
44. 1. Используем фото на модели в качестве референса • Использовали flat-lay фото в качестве референса, так как модели с ним проще работать • Но для большинства товаров flat-lay нет, только фото модели в одежде • Даже разработали TryOff-модель, чтобы решить эту проблему 89
45. 1. Используем фото на модели в качестве референса • Использовали flat-lay фото в качестве референса, так как модели с ним проще работать • Но для большинства товаров flat-lay нет, только фото модели в одежде • Даже разработали TryOff-модель, чтобы решить эту проблему • Но для Qwen-Image-Edit фото одежды на модели — не проблема 90
46. 2. Отказ от masked-image на входе Ранее мы делали маску и подавали её на вход Референс (настоящее фото) Маска Выход (настоящее фото) 91
47. 2. Отказ от masked-image на входе Много проблем — сильно зависим от способа построения маски Референс (настоящее фото) Маска Выход (настоящее фото) 92
48. 2. Отказ от masked-image на входе Принципиально меняем подход — теперь второе изображения для обучения генерируем Референс (настоящее фото) Фото человека (синтетика) Выход (настоящее фото) Замени блузу на что-то другое 93
49. Где реальное фото? 94
50. Где реальное фото? 95
51. Где реальное фото? 96
52. Где реальное фото? 97
53. 3. Обогащение выборки фотографиями из отзывов Сырые фото из отзывов • Предыдущие версии датасетов — студийный фотографии • Нецелевое распределение — на проде у нас будут in-the-wild фотографии • Есть отличный источник данных — фотографии из отзывов • Они максимально приближены к тому, что пользователи будут грузить в примерку Автофильтрация Ручная фильтрация Качественные примеры 98
54. 3. Обогащение выборки из отзывов — фильтрация хорошо плохо Одежду хорошо видно Разнообразие ракурсов Разнообразие фигур 99
55. 3. Обогащение выборки из отзывов — фильтрация хорошо плохо Одежду хорошо видно Неестественная поза -— приподнимает другую одежду Разнообразие ракурсов Одежда мятая Разнообразие фигур 10 0
56. Ключевые изменения 1 Новый обучающий датасет 4 Обучаем LoRA вместо всей модели 2 Генерируем всё изображение 5 Используем фото одежды на модели в качестве референса 3 Переходим на разрешение 1MP 10 1
57. Результат • Качественный скачок — получаем отличную модель, которая хорошо понимает физику реального мира **Здесь чуть позже будет изображение такого же размера** 10 2
58. Результат • Качественный скачок — получаем отличную модель, которая хорошо понимает физику реального мира • Справляется со сложными ракурсами и освещениями **Здесь чуть позже будет изображение такого же размера** 10 3
59. Результат • Качественный скачок — получаем отличную модель, которая хорошо понимает физику реального мира • Справляется со сложными ракурсами и освещениями • Сохраняет идентичность человека и одежды **Здесь чуть позже будет изображение такого же размера** 10 4
60. Версии Qwen-Image-Edit • За пару месяцев вышло несколько новых версий модели • В каждой новой версии авторы улучшали определенные аспекты генерации • Мы проводили эксперименты под каждую новую модель 10 5
61. Версии Qwen-Image-Edit Qwen-Image-Edit: • • Для работы с несколькими изображениями нужно их конкатенировать Целевое изображение — 0.5 MP Qwen-Image-Edit-2509: • • Поддержка работы с несколькими изображениями отдельно Лучше контраст переносимой одежды Qwen-Image-Edit-2511: • • Идентичность сохраняется на том же уровне Немного больше артефактов с одеждой 10 6
62. Версии Qwen-Image-Edit Qwen-Image-Edit: • • Для работы с несколькими изображениями нужно их конкатенировать Целевое изображение — 0.5 MP Qwen-Image-Edit-2509: • • Поддержка работы с несколькими изображениями отдельно Лучше контраст переносимой одежды Qwen-Image-Edit-2511: • • Идентичность сохраняется на том же уровне Немного больше артефактов с одеждой 10 7
63. Масштабирование — покрываем больше категорий • По уже выстроенному пайплайну собираем данные для dress и lower-body категорий • Для каждой - обучаем отдельную LoRA (200 Mb) • На инференсе - переключаем модель в зависимости от типа одежды 10 8
64. Сравнение моделей • • Как понять, что наша модель лучше? Базовые метрики для image-generation задач — были чувствительны только на первых этапах • Ручной просмотр генераций — без этого никак • Разработали свои метрики, которые оценивают сохранение идентичности человека (лицо, фигура, поза) • Расшифровка значений метрик — лицо сохраняем примерно одинаково, фигуру получше, позу — заметно лучше LaTryOn Подрядчик Face sim ↑ 0.881 ± 0.002 0.866 ± 0.001 Figure sim ↓ 1.49 ± 0.04 2.26 ± 0.04 Pose sim ↓ 2.43 ± 0.06 10.65 ± 0.39 10 9
65. Путь к интеграции в прод 11 0
66. Модерация фото • Мы решаем задачу генерации изображения • Результаты модели могут быть разными • Нужны инструменты автоматической проверки генерации 11 1
67. Модерация фото • Мы решаем задачу генерации изображения • Результаты модели могут быть разными • Нужны инструменты автоматической проверки генерации Решение: • Внедрили модели, оценивающие возраст участников фото и NSFW-скор • Формализовали правила фильтрации на основе этих предсказаний Input-модерация LaTryOn Output-модерация 11 2
68. Оптимизация инференса Triton inference server, Python-бэкендом Оптимизации под A100: - tf32 - torch.compile - FlashAttention2 Оптимизации под H100: - FlashAttention3 Время генерации A100, raw ~10.1 сек A100, optimized ~6.9 сек H100, optimized ~3.0 сек Что не сработало: - квантизация — качество заметно ухудшалось 11 3
69. Интеграция с Backend • В проде уже работала модель подрядчика Контракт запроса Асинхронно Модель подрядчика 11 4
70. Интеграция с Backend • • • В проде уже работала модель подрядчика Адаптировались под архитектуру backend-а Команда MLOps разработала сервис асинхронной прослойки перед тритоном Async ML Service Cинхронно Triton LaTryOn Асинхронно Контракт запроса Асинхронно Модель Модель подрядчик подрядчика а 11 5
71. Этапы выкатки в прод А/Б 50/50 А/Б 80/20 LaTryon vs Подрядчик LaTryon vs Подрядчик Полный переход на LaTryOn 1 этап 2 этап 3 этап 116
72. Результаты А/Б • • • LaTryOn vs Подрядчик А/Б длился неделю - технический, но метрики мы считали Прирост по кол-ву примерок - обусловлен скоростью генерации нашей моделью: в среднем 9 сек vs 35 сек) Пользователи стали чаще делиться результатами примерки Кол-во примерок +64% Кол-во шарингов результатами +12.4% Кол-во ошибок -60.3% 11 7
73. Дальнейшие планы • Работать над проблемными генерациями • Адаптировать решение под новые open-source модели • Более глубокая оптимизацию инференса 11 8
74. спасибо всем участникам проекта!
75. спасибо!