EveryWear Model Server는 3가지 주요 모듈 (ew-synthesis, ew-fitting, ew-auth)과 Kafka로 구성됩니다.

각 모듈이 담당하는 역할은 다음과 같습니다.

EveryWear Model Server 저장소를 Clone하고 빌드합니다.

# 저장소 Clone
$ https://github.com/pirunita/everywear-model-server_public.git

각 모듈의 application.yml 파일에서 프로퍼티를 설정합니다.

Gradle Wrapper를 사용하여 EveryWear Model Server를 빌드하고 실행합니다.

# 각 모듈의 build/libs 경로에 jar 파일로 패키징
$ ./gradlew build

# ew-synthesis 모듈 실행
$ ./gradlew :ew-synthesis:bootRun

# ew-fitting 모듈 실행
$ ./gradlew :ew-fitting:bootRun

• TensorFlow SavedModel 디렉토리를 ew-synthesis/jib-extras 위치에 놓습니다.

ew-synthesis
└── jib-extras
    └── savedmodel
        └── 1
            ├── saved_model.pb
            └── variables
                ├── variables.data-00000-of-00001
                └── variables.index

• Firebase 서비스 계정 비공개 키 파일을 ew-fitting/jib-extras 위치에 놓습니다.

ew-fitting
└── jib-extras
    └── everywear-239804-firebase-adminsdk-5njai-e50f36d65a.json

docker-compose.yml 파일에서 플래그에 지정된 파일 경로가 맞는지 확인합니다.

• 이미지를 빌드할 모듈 (ew-synthesis, ew-fitting)의 build.gradle.kts 파일에서 jib.to.image 속성을 자신의 Docker Hub ID로 수정합니다.

• Docker 이미지를 빌드하고 푸시합니다.

$ ./gradlew jib

• docker-compose.yml 파일에서 image 프로퍼티에 방금 푸시한 저장소를 지정합니다.

• 푸시한 이미지를 이용하여 서버를 실행합니다.

$ docker-compose -f docker/docker-compose.yml up

• 합성하고자 하는 신체 영역만을 추출할 수 있도록 OpenCV​을 사용하여 Image Preprocessing을 통해 적절히 이미지를 분리하는 작업을 설계하였습니다. ​현재 상의와 하의 합성이 가능하여 크게 두 ​부분으로 나누어 아키텍처를 설계​하였습니다. 뿐만 아니라 여기에 사용된 Image Preprocessing Module을 활용하여 학습에 사용된 Dataset을 처리하는데도 사용하여 효율을 높였습니다.

• 합성결과를 다시 사용자의 전체 이미지를 붙이기 위한 Image Post-processing을 OpenCV로 구현하였습니다. 기존의 논문에서는 사용되지 않던 ​
  warping binary mask
  ​를 Background로 사용하여 ​합성된 이미지를 자연스럽게 전신에 붙일 수 있도록 구현​하였습니다.