Personalized Fashion Ads

Personalized Fashion Ads è un sistema interattivo per il settore moda che utilizza modelli generativi — VLM (Vision Language Model) e LDM (Latent Diffusion Model) — per creare immagini pubblicitarie personalizzate, partendo da capi baseline e dal profilo dell’utente.

Le immagini generate vengono poi valutate attraverso questionari e analizzate tramite metodi statistici avanzati (correlazioni, regressioni, modelli di preferenza) per comprendere il legame tra personalizzazione visiva e preferenze estetiche.

🔹 Il progetto si compone di due web app:

• Interfaccia Utente: gli utenti inseriscono il proprio profilo, visualizzano immagini baseline e generate ad hoc, e compilano un questionario per ogni confronto.
• Dashboard Superuser: consente di analizzare l'impatto dela personalizzazione tramite query SQL, grafici interattivi, correlazioni, modelli di regressione e modelli di scelta come Bradley-Terry.

🎯 L’obiettivo del progetto è valutare l’impatto della personalizzazione nel contesto della moda, esplorando quanto i contenuti generati su misura influenzino le preferenze estetiche e, potenzialmente, le decisioni d’acquisto.
L’analisi si concentra sul legame tra caratteristiche individuali e reazioni visive, con l’intento di offrire insight utili per strategie creative e pubblicitarie più mirate.

In prospettiva, questo progetto pone le basi per sviluppare un sistema di personalizzazione ex-novo, dinamico e adattivo, capace di generare contenuti visivi in linea con i gusti e le esigenze dell’utente in tempo reale.

🎞️ Video di Funzionamento

👨‍👦​​ Registrazione Utente

L’utente inserisce i propri dati tramite un form all’interno della web app; tali informazioni vengono poi memorizzate nel database sottostante.

🖼️​📃 ​Generazione e Questionario

L’utente genera quattro immagini, una per ogni immagine di baseline. Per ogni tab di generazione, all’utente vengono presentate due immagini: l’immagine di partenza (baseline) e quella generata, disposte affiancate in ordine casuale. Non viene indicata l’origine di ciascuna immagine, in modo da garantire un confronto anonimo e ridurre eventuali bias nella valutazione. Dopo ogni generazione l'utente compila un apposito questionario di valutazione. Tutte le immagini generate vengono salvate nell'apposita cartella dedicata alle immagini generate, mentre le relative informazioni vengono archiviate nel database sottostante.

📈​​📊​ Schermata SuperUser

Web app dedicata al superuser, progettata per l’analisi dei dati raccolti dalle generazioni e dai questionari utente. Le prime quattro schermate sono destinate a interrogazioni sul database, mentre le ultime quattro offrono strumenti per l’analisi statistica. Tutti i dati vengono presentati attraverso tabelle e grafici interattivi.

📦 Funzionalità del Progetto

Interfaccia Utente

• Registrazione guidata con form dettagliato su interessi, stile, preferenze e dati demografici
• Visualizzazione immagini baseline in base al genere dell'utente
• Generazione automatica di immagini personalizzate (Gemini + Stable Diffusion)
• Compilazione di questionari obbligatori per ogni immagine generata
• Raccolta feedback su preferenze estetiche e percezione del contenuto

Sistema di Generazione

• Prompt dinamico costruito con componenti fisse e variabili (profilo utente + immagine)
• Modello VLM (Gemini Flash 2.0 Exp) per descrizione e arricchimento del prompt
• Modello LDM (Stable Diffusion 3.5 Large) per sintesi visiva dell’immagine

Interfaccia Superuser

• Dashboard interattiva con visualizzazioni Plotly, Matplotlib e Seaborn
• Query SQL realizzabili direttamente dal browser
• Analisi performance immagini baseline (preferenze vs. varianti generate)
• Calcolo metriche statistiche:
  • Matrice di correlazione (Pearson)
  • Regressione lineare (OLS)
  • Modelli di confronto (Bradley-Terry, standard e pesato)

Gestione Dati

• Importazione automatica da file CSV per:
  • Registrazioni utenti
  • Immagini baseline/generate
  • Risposte ai questionari
• Database SQLite coerente e relazionato, creato dinamicamente con i CSV
• Struttura modulare e facilmente estendibile

Struttura del progetto

📁 Immagini Baseline/
├── uomo/
├── donna/
📁 Immagini Generate/
📁 readme gifs/

📄 immagini_baseline.csv
📄 immagini_generate.csv
📄 questionario.csv
📄 registrazioni.csv
📄 domande.csv
💾 fashion_database.db

📄 main.py
📄 models.py
📄 sql superinterface.py
📄 OneTimeScript crea_immagini_baselinecsv.py
📄 OneTimeScript_crea_domandecsv.py
📄 Tesi Piergiovanni.pdf
📄 requirements.txt

📄 README.md

Descrizione dei file e delle cartelle

🗂️ Cartelle

• Immagini Baseline/
  Contiene le immagini di partenza (baseline) suddivise per genere:

  • uomo/: immagini baseline maschili
  • donna/: immagini baseline femminili

• Immagini Generate/
  Contiene le immagini generate dinamicamente dal sistema (Stable Diffusion 3.5 Large) a partire dal profilo utente

• readme gifs/
  Contiene le gif che mostrano il funzionamento del sistema

📁 File CSV

• immagini_baseline.csv
  Elenco delle immagini baseline con ID, genere e percorso file. Viene generato automaticamente dallo script onetime_crea_immagini_baselinecsv.py.

• immagini_generate.csv
  Contiene informazioni sulle immagini generate, incluso il prompt, data/ora, immagine baseline di riferimento e percorso file salvato.

• questionario.csv
  Raccolta delle risposte utente alle domande comparative tra immagini baseline e generate (inclusa la domanda finale Likert).

• registrazioni.csv
  Contiene i profili degli utenti che hanno partecipato alla valutazione (età, genere, interessi, preferenze moda, ecc.).

• domande.csv
  Elenco delle domande presentate nel questionario, suddivise per set. Creato dallo script onetime_crea_domandecsv.py.

⚙️ File Python

• main.py
  Avvia la web app utente: consente la registrazione, la generazione delle immagini, la compilazione del questionario e funzioni ausiliarie per gestire dati e logica.

• models.py
  Contiene le funzioni di generazione contenuti per il sistema:

  • generate_fashion_prompt(): costruisce un prompt testuale personalizzato a partire da un'immagine di riferimento e da un profilo utente, utilizzando Gemini Flash (VLM).
  • generate_adv_image(): genera un'immagine pubblicitaria basata sul prompt ricevuto, tramite Stable Diffusion 3.5 Large (LDM).

• sql superinterface.py
  Avvia la dashboard analitica (superuser): permette di visualizzare i dati raccolti tramite:

  • grafici interattivi Plotly/Matplotlib
  • analisi statistiche (correlazioni, regressioni)
  • modelli di scelta (Bradley-Terry)

• onetime_crea_immagini_baselinecsv.py
  Script una tantum per generare automaticamente il file immagini_baseline.csv leggendo le immagini nelle cartelle Immagini Baseline/.

• onetime_crea_domandecsv.py
  Script una tantum per definire e salvare nel CSV i testi delle domande che compongono il questionario.

📦 Altri file

• requirements.txt
  Elenco completo delle librerie Python richieste per eseguire il progetto (es. gradio, plotly, pandas, statsmodels...).

• fashion_database.db
  Database SQLite generato automaticamente dal sistema. Contiene tutte le informazioni strutturate (utenti, immagini, domande e risposte).

• Tesi Piergiovanni.pdf
  Tesi di laurea sul sistema realizzato: include introduzione, stato dell'arte, documentazione completa del progetto, con descrizione, implementazione e analisi dei risultati.

🛠️ Requisiti

• Python 3.9+
• Ambiente virtuale (venv) consigliato

1. Installa le dipendenze

pip install -r requirements.txt

2. Configurazioni Iniziali

Se non è presente il file immagini_baseline.csv, oppure il numero di immagini nella cartella Immagini Baseline/ è cambiato:

python OneTimeScript_crea_immagini_baselinecsv.py

Se devi aggiornare le domande del questionario (o ricreare il file domande.csv), esegui:

python OneTimeScript_crea_domandecsv.py

Ricorda di aggiornare l’ID del set domande nel file main.py o sql superinterface.py se stai utilizzando un nuovo set e di aggiungere/modificare le domande nello script!

Se non hai nessuna modifica da fare puoi passare al passaggio successivo.

3. Impostazione delle API KEYS

Aggiungere le tue API Key nel file models.py:

• Chiave per Gemini tramite OpenRouter
• Chiave per Stable Diffusion tramite Stability AI

Senza queste chiavi, la generazione delle immagini non funzionerà.

4. Esecuzione delle Web App

• Per avviare la Web App Utente:

python "main.py"

• Per avviare la Dashboard Superuser:

python "sql superinterface.py"

⚠️ I due script condividono la stessa porta (7860), quindi possono essere eseguiti solo uno alla volta. Avvia main.py per la web app utente o sql superinterface.py per la dashboard superuser.

Entrambe saranno disponibili all’indirizzo http://localhost:7860. Se si vuole rendere le pagine raggiungibili via web, è necessario impostare share = True alla riga di avvio della pagina:

app.launch(server_port = 7860, share = True) 

Di seguito, Gradio fornisce un link temporaneo con validità di 3 giorni nel terminale per raggiungere la pagina web da qualsiasi dispositivo con una connessione di rete.

👨‍🎓 Autore

Alessandro Piergiovanni
Corso di Laurea in Informatica
Università degli Studi di Bari “Aldo Moro”
Tesi triennale in "Metodi per il Ritrovamento dell’Informazione"
Anno Accademico 2023/2024

📫 Contatti: alessandropiergiovanni001@gmail.com
🔗 GitHub: github.com/alessandropier