7000 Dress Style Images
Dataset d’images de vêtements féminins avec 7240 images au format 640x640, incluant des augmentations aléatoires (rotation, flou, bruit, etc.). Idéal pour des projets d’e-commerce ou d’IA visuelle.
Description
Ce dataset contient 7240 images de robes féminines, prétraitées pour avoir une taille uniforme (640x640). Chaque image a été soumise à diverses augmentations : rotation aléatoire, flou gaussien, bruit de type sel et poivre, ou retournement horizontal. Ce corpus visuel est particulièrement adapté aux projets de vision par ordinateur dans le domaine de la mode ou du commerce en ligne.
À quoi sert ce dataset ?
- Former des modèles de reconnaissance d’objets pour la mode
- Construire un moteur de recommandation de style ou de tenue
- Créer des prototypes d’essayage virtuel ou d’analyse de look
Peut-on l’enrichir ou l’améliorer ?
Oui. Il est possible d’ajouter des étiquettes (catégorie, couleur, type de robe), ou d’enrichir avec des métadonnées issues d’un catalogue produit. Des annotations (bounding boxes, masques) pourraient également le transformer en dataset utile pour la détection ou la segmentation.
🔎 En résumé
🧠 Recommandé pour
- Data scientists en e-commerce
- Chercheurs en vision par ordinateur
- Projets étudiants
🔧 Outils compatibles
- PyTorch
- TensorFlow
- Keras
- FastAI
💡 Astuce
Pour améliorer les performances, ajouter vos propres étiquettes ou combiner avec un dataset annoté.
Questions fréquemment posées
Ce dataset contient-il des catégories de vêtements ?
Non, les images ne sont pas étiquetées. Vous pouvez toutefois ajouter vos propres classes via annotation manuelle ou modèle semi-supervisé.
Puis-je l’utiliser pour la détection d’objets ou la segmentation ?
Pas directement, mais vous pouvez annoter manuellement les images ou les combiner avec un dataset segmenté pour entraîner un modèle.
Les images sont-elles adaptées à des modèles pré-entraînés comme ResNet ou MobileNet ?
Oui, la résolution 640x640 est compatible avec de nombreux modèles CNN. Aucun redimensionnement supplémentaire n’est nécessaire.




