Как сделать композитку для модели

Добавил пользователь Владимир З.
Обновлено: 04.10.2024

Уведомление Здравствуйте, на сайте ведутся технические работы и модельные карты обновляются вручную. Пожалуйста ожидайте очереди, как дойдет очередь публикации вашей карты на сайт, мы обязательно сообщим Вам. Спасибо за понимание. С Уважением, Саймон: Руководитель международного отдела в Канаде. × Отклонить предупреждение

Модельная карта на сайте

В модельном бизнесе принято предоставлять модельную карту для работодателя, чтобы представить такую важную информацию как: фотографии, параметры тела и дополнительные данные модели. Это самая важная информация в модельной сфере.

Во всем мире модельная карта имеет различные названия, такие как Sed Card, Composite Card, Comp Card, Zed Card, Z Card, но большинство из них имеют одинаковые стандарты. Модельная карта имеет две страницы, первая страница имеет одну фотографию в качестве обложки, другая страница имеет 4 — 6 фотографий, а также личную информацию.

Наш сервис ModelCard предлагает вам создать модельную карту, только не в привычном формате одной фото на которой присутствуют несколько ваших фотографий с параметрами тела, а в виде вашей личной визитной карточки ОНЛАЙН, в которой будет присутствовать в отличном качестве ваши личные фотографии, видео, параметры и дополнительная информация. Вы сможете отправлять ссылку на вашу модельную карту, где будет вся информация о вас, включая дополнительно видеоролик и другая информация о вас . Также ваши данные будут на нескольких языках, таким образом вы сможете представлять себя не только в вашей стране, а по всему миру. Приятного пользования! и удачи в работе!

Портфолио — профессиональная книга модели: сборник ее лучших фотографий, вырезок из журналов и образцов рекламных работ. Бук дает полное представление о внешних данных модели, опыте работы и умении создавать разные образы.

В Украине стандартные буки не продаются, поэтому вместо них используются файловые папки формата А4: 21×29 см. В большинстве стран мира принят размер портфолио 24×30см. Elite — единственное в мире агентство, которое пошло на смелый шаг. Руководство отошло от стандартных размеров и предложило своим моделям буки размера А5. Мотивация была такой: впечатлить заказчиков-специалистов могут и фото размера 15×20. Буки формата А5 такие же красивые, как и большие, но девчонки из Elite теперь не ходят с тяжелыми рюкзаками.

Портфолио должно существовать как минимум в двух экземплярах. Один экземпляр находится в агентстве, где его показывают клиентам, второй — у модели, поскольку с портфолио она приходит на кастинги и на работу. С помощью портфолио клиент может представить способность модели создать нужный образ, благодаря портфолио заказчик может определить — соответствует ли девушка пожеланиям и задачам рекламной кампании.

В разных агентствах разные требования к букам: где-то хотят видеть больше черно-белых снимков, где-то — цветных. Но бесспорно, и те, и другие должны присутствовать. На первую страницу выбирается один из лучших снимков, как правило, портрет. Даже если в потфолио остаются свободные страницы, на последней странице тоже должна быть хорошая фотография, и тоже желательно портрет. Эти два портрета в портфолио не единственные. Их может быть несколько с разным выражением лица, с улыбкой и без, возможно, с разными прическами, и обязательно должен быть портрет без макияжа. Не забудьте снимок в полный рост в купальнике либо в облегающей одежде. Эта фотография позволит судить о пропорциях вашей фигуры.

В идеале — в портфолио должны присутствовать фото в стильной одежде, желательно иметь хотя бы одну фотографию в одежде спортивного стиля. Если модель занимается каким-либо видом спорта (плаванием, верховой ездой, стрельбой из лука) или танцами, желательно сделать снимок, изготовленный в процессе занятий. Эти снимки должны продемонстрировать пластику и красоту движения.

Особо ценятся в портфолио обложки журналов и иллюстративные съемки, особенно западные, которые свидетельствуют о том, что модель имеет опыт работы за рубежом. Крупные фото рук, лица, ног могут показать, что девушка может работать как парт-модель: длинные тонкие пальцы могут привлечь заказчика рекламы ювелирных изделий, стройные ноги способны заинтересовать производителей колготок. Если у девушки длинные и красивые волосы, было бы хорошо сделать фото с естественно спадающими волосами. Они могут привлечь производителей средств по уходу за волосами и парикмахеров, подбирающих моделей для hair-шоу. Фотографии с красивой белозубой улыбкой дают шанс получить заказ на р

рекламу зубной пасты или жевательной резинки. Кроме того, в буке должны быть снимки, сделанные в фотостудии, в интерьере и на природе. Можно поместить фотографии с другими моделями, в том числе противоположного пола — они покажут, что вы умеете работать с партнерами.

Расставляя снимки в потфолио, старайтесь сделать так, чтобы его было интересно рассматривать заказчику. Количество сделанных работ всегда впечатляет. Маленькая хитрость: фотографии в портфолио можно перекладывать местами в зависимости от того, к какому заказчику вы идете. На каждой фотографии представляйте какой-то новый образ, но в то же время стремитесь создать определенный сюжет и чередовать черно-белые снимки с цветными, портреты с фотографиями в полный рост. Обратите внимание на равномерное распределение крупных, средних и общих планов. Кроме того, нужно учитывать разнообразие макияжа и одежды, но при этом следует помнить, что в расчет берется все же не только количество, но и качество снимков. Не нужно считать, что лучше хоть какая-то фотография, чем никакой. В портфолио должны быть только те снимки, где вы выглядите превосходно. А если у вас много работ, портфолио должно состоять только из публикаций.

По окончании школы моделей и после подписания контракта с агентством, у вас в буке появляются фототесты — как минимум две-три удачных фотографии. Они могут стать началом вашего бука. Лучше не стремиться заполнять бук фотографиями с одной съемки — это непрофессионально и финансово неоправданно. Выбирайте не больше одной-двух фотографий, иначе снимки будут дублировать друг друга. Бук должен пополняться постоянно — даже если вам кажется, что фотографий и рекламных листков достаточно много, не бойтесь увеличивать их количество. Портфолио постоянно проходит через руки клиентов и фотографов, а они каждый раз ищут чего-то нового. И наконец: посоветуйтесь со своим букером, какие снимки подойдут, а какие нет — его совет будет компетентным.

Конечно, идеальный вариант — сделать портфолио за границей. В Париже, Милане и Нью-Йорке работают лучшие специалисты. Профессионализм фотографа и большой команды стилистов, технические возможности плюс наличие в студии комплекта одежды и аксессуаров дает простор для создания различных образов.

Не менее важно — после каждой рабочей съемки оговаривать с фотографом или заказчиком возможность получить материалы для своего бука. Часто начинающие фотографы договариваются с моделями, визажистами и парикмахерами об организации съемки, которая вместо денежной оплаты предусматривает расчет фотографиями. В этом есть здравый смысл: всем, включая фотографа, визажиста, парикмахера и модель, нужны снимки для собственных потфолио, в этом случае специалисты объединяются по интересам.

Александр Мордерер, фотограф:
"Выбирая модель для съемки, я доверяю портфолио, в котором есть образцы рекламных работ. Хорошему фотографу не составит труда за один съемочный день отснять модель в нескольких образах. Но буки с тестовыми фотографиями могут привлечь лишь непрофессиональных заказчиков. Профессионалу нужны доказательствами опытности модели. Поэтому не забывайте пополнять портфолио фотографиями с показов, страницами из журналов и рекламными работами. Ваш бук должен представлять вас наиболее выигрышным образом. Если вы работали с новым фотографом, если ваше фото появилось на обложке журнала, если вы стали лицом рекламной кампании — портфолио должно рассказать об этом заказчикам. А если вы поменяли образ: покрасили волосы, изменили прическу, округлили грудь или увеличили губы — нужно дополнить бук новыми фотографиями, потому что вы стали другой."

Я начинала в доцифровую эпоху, а она как мы видим теперь, поменяла все. Тогда порог входа в модельный бизнес был выше, но и конкуренции, я полагаю, меньше. Сейчас почти все — модели, у каждой девчонки инстаграм, а тесты можно делать хоть на телефон и распечатывать любого размера за копейки. А уж если найти цифровой фотоаппарат!

В девяностые же качественные модельные фото формата а4 были редкостью. Даже в Москве на более-менее уровне работало буквально несколько фотографов, отпечатки стоили как золото и платить за это чаще всего могло позволить себе только агентство. Поэтому и снимков своих у моделей не было — им тупо не разрешали их забирать, а буки выдавали прямо на кастингах, а потом отнимали до следующего раза.

А уж если в агентстве решили, что девушка заслужила свою композитку — то модель, считай, состоялась. Композитка — карточка размера а5, на лицевой стороне чаще всего лицо крупным планом, а на обороте — пара снимков в полный рост или просто каких-то интересных, по выбору букера. Ну и имя, размеры, цвет глаз и волос. В Москве композитки начали делать только к середине десятилетия, и то в основном их распечатывали на офисном принтере. Композитки принято оставлять при знакомстве как визитки.

Контрольки (или контакты) — контрольные отпечатки, которые получают размещая фотопленку вплотную к фотобумаге при печати. По ним, с помощью лупы, букеры выбирают удавшиеся фотографии и заказывают полноразмерные отпечатки фотографу.

Итак, фотографии помещают в book , презентабельный толстый альбом размера чуть больше а4. С этим буком и набором композиток ты и ходишь по кастингам и фотографам.

В Москве модельные процессы происходили достаточно сумбурно, агентства появлялись как грибы, но никакую ответственность предпочитали не брать — просто записывали твой телефон и звонили время от времени.

На западе четче, и там я поняла что значит распространенная фраза о том, что модель, как и волка, кормят ноги, и не в смысле их красоты.

Обычный рабочий день начинающей (да и не только) модели выглядит так. Заходишь с утра в агентство, берешь свой бук и список адресов кастингов и фотографов, которые тебе сегодня надо обойти.

Кастинги понятно, а с фотографами ты ходишь просто знакомиться. Они рассматривают бук, иногда делают пару кадров для себя и в дальнейшем имеют тебя в виду, если получают заказ на твои данные. Бывает, если понравишься, предлагают тестовую съемку — тесты , тогда ты (или чаще агентство) платят только за материалы и отпечатки, а время свое фотограф тратит потому, что ему тоже нужны интересные фотографии в портфолио.

Ходить в основном приходилось пешком и по карте, так как денег на транспорт чаще всего не хватало, и это, конечно, выматывало. Многие студии располагаются в промзонах на окраине — короче, да, ноги кормят. В крупных городах часто можно встретить длинноногих девушек в черном и без косметики, но с большим буком наперевес — это модельки на работе :)

В лаборатории моделирования природных систем НЦКР ИТМО мы занимаемся разработкой и продвижением решений в области AutoML. Наши научные сотрудники Николай Никитин, Анна Калюжная, Павел Вычужанин и Илья Ревин рассказывают о трендах и задачах AutoML, плюс — о собственных open-source разработках в этой области.

Минутка теории и пара слов об AutoML фреймворках

Для того, чтобы решить какую-либо задачу с помощью методов машинного обучения (МО), требуется пройти множество шагов: от очистки данных и подготовки датасета, выбора наиболее информативных признаков и преобразования признакового пространства до подбора модели МО и настройки ее гиперпараметров. Такую последовательность часто представляют в виде пайплайна. Однако даже на работу с линейными пайплайнами (А, на схеме выше), подбор их структуры и параметров могут требоваться дни, а иногда и недели. В процессе решения сложных задач пайплайны приобретают иную структуру. Для повышения качества моделирования часто используют ансамблевые методы (стекинг), объединяющие несколько моделей (на схеме — B), либо делают пайплайн разветвленным. В последнем случае задействуют различные методы предобработки для вариативных моделей МО, обучаемых на разных частях датасета (С).

Автоматизированная подготовка пайплайна — это преимущественно задача комбинаторной оптимизации или поиска наилучшего сочетания возможных факторов — множества вычислительных блоков. В этом случае пайплайн описывают в виде направленного ациклического графа (directed acyclic graph, DAG), который может быть транслирован в граф вычислений, а эффективность определяют с помощью целевых функций, численно оценивающих качество, сложность, устойчивость и другие свойства получившейся модели.

Модели со структурой типа В и С фактически становятся композитными, т.е. включают в себя различные алгоритмы МО. Например, можно объединить байесовскую сеть и свёрточную для предсказания на мультимодальных данных. А с композитными моделями и пайплайнами МО можно работать с помощью методов и технологий AutoML.

Самый примитивный метод решения этой задачи — случайный поиск (random search) с оценкой сочетаний блоков. Более совершенный подход — мета-эвристические алгоритмы оптимизации: роевые и эволюционные (последние можно реализовать с помощью фреймворков TPOT и FEDOT). Такие алгоритмы должны иметь специализированные операторы кроссовера, мутации и селекции для применения к особям, описываемым графом (обычно деревом), работать с многокритериальной целевой функцией, включать дополнительные процедуры для создания устойчивых и не склонных к переобучению пайплайнов (например, регуляризацию).

Операторы кроссовера и мутации могут быть реализованы классическим способом — в виде кроссовера поддеревьев (subtree crossover), когда выбираются две родительские особи, которые обмениваются случайными частями своих графов. Но это — не единственная возможная реализация, есть и более семантически сложные варианты (например, one-point crossover). Мутация на деревьях также предполагает реализации, включающие случайное изменение модели (или вычислительного блока) в случайном узле графа на подходящий вариант из пула моделей, удаление случайного узла, а также случайное добавление поддерева.

(эта и другие иллюстрации доступны в нашей статье в Procedia Computer Science)

В идеальном случае, AutoML позволяет исключить эксперта-аналитика из процесса разработки, эксплуатации и внедрения модели. Однако пока добиться этого в полной мере сложно — большая часть AutoML фреймворков поддерживает решение отдельных задач автоматического МО (настройка гиперпараметров, выбор признаков и тому подобных) в рамках фиксированных пайплайнов и только для некоторых типов данных (в таблице далее). Приведенное сравнение, разумеется, не претендует на полноту — оно выполнялось на основе анализа открытой документации и примеров, а положение дел в области AutoML может быстро меняться.

Чего не хватает, и что предложили мы

ML-пайплайн может включать модели для разных задач. Например, генерировать на основе регрессии новый полезный признак, а потом использовать его в классификации. На данный момент AutoML фреймворки не позволяют решать такую задачу удобным способом. Нередко ML-инженеры сталкиваются с мультимодальными и разнородными данными, которые приходится интегрировать для дальнейшего моделирования вручную.

До недавнего времени готовых к использованию инструментов такого рода не было, но мы решили попробовать разработать свой и обойти описанные проблемы. Мы назвали его FEDOT. Это — open-source фреймворк автоматического машинного обучения, автоматизирующий создание и оптимизацию цепочек задач (пайплайнов) МО и их элементов. FEDOT позволяет компактно и эффективно решать различные задачи моделирования.

Вот пример его использования для решения задачи классификации:

Основной акцент в работе фреймворка — управление взаимодействием между вычислительными блоками пайплайнов. В первую очередь, это касается этапа формирования модели машинного обучения. FEDOT не просто помогает подобрать лучший вариант модели и обучить ее, но и создать композитную модель — совместно использовать несколько моделей различной сложности и за счет этого добиваться лучших результатов. В рамках фреймворка мы описываем композитные модели в виде графа, определяющего связи между блоками предобработки данных и блоками моделей.

Однако фреймворк не ограничивается отдельными AutoML-задачами, а позволяет заниматься структурным обучением, когда для заданного набора данных строится решение в виде ациклического графа (DAG), узлы которого представлены моделями МО, процедурами предобработки и трансформации данных. Структуру этого графа, а также параметры каждого узла и подвергают обучению.

Формируют подходящую для конкретной задачи структуру автоматически. Для этого мы задействовали эволюционный алгоритм оптимизации GPComp, который создает популяцию из множества ML-пайплайнов и последовательно ищет лучшее решение, применяя методы эволюции — мутацию и кроссовер. Плюс — избегает нежелательного усложнения структуры модели за счет применения процедур регуляризации и многокритериальных подходов.

Для наглядности приведем тизер фреймворка, доступный в нашем YouTube-канале:

Как и ряд ранее отмеченных фреймворков, FEDOT реализован на Python и доступен под открытой лицензией BSD-3. Но есть и отличия с точки зрения преимуществ:

Архитектура FEDOT обладает высокой гибкостью, фреймворк можно использовать для автоматизации создания МО для различных задач, типов данных и моделей;
FEDOT поддерживает популярные ML-библиотеки (scikit-learn, keras, statsmodels и др.), но при необходимости допускает интеграцию и других инструментов;
Алгоритмы оптимизации пайплайнов не привязаны к типам данных или задачам, но можно использовать специальные шаблоны под определенный класс задач или тип данных (прогнозирование временных рядов, NLP, табличные данные и др.);
Фреймворк не ограничен машинным обучением, в пайплайны можно встроить модели, специфичные для конкретных областей (например, модели в ОДУ или ДУЧП);
Дополнительные методы настройки гиперпараметров различных моделей также могут быть бесшовно добавлены в FEDOT в дополнение к уже поддерживаемым;
FEDOT поддерживает any-time режим работы (в любой момент времени можно остановить алгоритм и получить результат);
Итоговые пайплайны могут быть экспортированы в json-формате без привязки к фреймворку, что позволяет добиться воспроизводимости эксперимента.

Таким образом, по сравнению с другими фреймворками, FEDOT не ограничен одним классом задач, а претендует на универсальность и расширяемость. Он позволяет строить модели, использующие входные данные различной природы.

Применение AutoML для реальных задач на примере FEDOT

Для проверки корректности и эффективности алгоритмов, лежащих в основе FEDOT, мы протестировали его на известных бенчмарках (например, наборе задач Penn ML). Помимо этого мы подготовили пример из области нефтехимии — разберем его далее.

На объектах для хранения нефтепродуктов зачастую их смешивают. Однако, если совместимость у нефтепродуктов слабая, происходят качественные потери, а именно — образование общего осадка. Он ведет к ухудшению работы производственной цепочки. Определение состава топлива и наличия в нем осадка — весьма дорогой процесс. Наиболее часто используется метод хроматографии, стоимостью порядка одного миллиона рублей за пробу. Однако с помощью исторических данных, содержащих информацию о параметрах топлива и различных смесей, плюс — функциональность FEDOT, можно моделировать варианты с наименьшим содержанием осадка.

Прогнозирование величины осадка, а также классификацию смесей топлив с точки зрения его выпадения, можно одновременно трактовать как задачу регрессии, так и задачу классификации.

Для наглядности покажем фрагмент самих данных:

Значение целевой переменной (задача регрессии)	Значение целевой переменной (задача классификации)	№ образца	Кин.вязкость при 50°С	Плотность при 15 °С	Содержание серы	Содержание воды	TSA	Т потери текучести	Т вспышки в закрытом тигле	Вид топлива
0.17	1 Класс	13	583.6	973.0	2.74	0.3	0.03	20.0	110.0	ТПБ
0.1	2 Класс	37	472.3	965.0	2.48	0.2	0.03	19.0	110.0	М-100
0.03	2 Класс	22	18.80	851.0	0.0015	0.1	0.02	20.0	110.0	ТМУ ЭКО
0.21	1 Класс	98	574.3	970.0	2.74	0.2	0.03	20.0	110.0	ТМУ-180

Перспективы развития AutoML

Среди AutoML-решений — помимо перечисленных выше инструментов — есть EvalML, TransmogrifAI, Lale и множество других. Все они — собственные разработки компаний. В некоторых случаях им не хватает технических аспектов вроде поддержки масштабируемости и распределенных вычислений, Kubernetes и интеграции с MLOps инструментами. В других — появляются концептуальные вопросы вроде реализации новых алгоритмов оптимизации или их интерпретируемости. Однако есть несколько направлений и перспектив развития AutoML, которым уделяют еще меньше внимания.

Гибкое управление сложностью поиска. В зависимости от требований и допустимого бюджета, ML-инженеру может подойти как модель градиентного бустинга с оптимизированными гиперпараметрами, так и глубокая нейронная сеть или нелинейный пайплайн. Так или иначе, он будет вынужден вникать в возможности доступных AutoML-фреймворков и проводить экспериментальные исследования, выясняя, что работает лучше или хуже. Было бы весьма удобно иметь непрерывный переключатель сложности поиска, при помощи которого можно регулировать размерность пространства поиска — от простых решений до сложных, но эффективных пайплайнов (вплоть до созданных с нуля).

Фабрика решений. Помимо допустимых значений метрик качества, в ML-задачах могут возникать и другие критерии для решений. Например, интерпретируемость, необходимый объем вычислительных ресурсов и памяти для поддержания в production-среде, заблаговременность прогнозов и так далее. Здесь был бы полезным удобный интерфейс, где такие критерии можно указать и учитывать, что в ряде случаев невозможно минимизировать все критерии одновременно, так как существует Парето-фронт решений. Например, при повышении сложности архитектуры нейронной сети точность растет, но и требуются более существенные вычислительные ресурсы.

Наша команда проводила экспериментальные исследования, где мы попробовали применить эволюционные многокритериальные алгоритмы оптимизации в рамках FEDOT для оптимизации пайплайнов машинного обучения. В качестве критериев для оптимизации мы выбрали не только точность, но и сложность пайплайнов (число узлов и глубину графа вычислений). В ходе экспериментов мы обнаружили, что такое введение Парето-фронта решений в процесс поиска повышает разнообразие в популяции, а также позволяет находить решения с большей точностью.

Идею о фабрике AutoML-решений, в том числе высказывал и исследователь Yuriy Guts из компании DataRobot в своем докладе Automated Machine Learning. В частности он проводил аналогию с ООП-паттерном Factory, где AutoML мог бы предоставлять разные решения пользователю в зависимости от заданных условий: типы наборов данных, интервалы прогнозов, время жизненного цикла модели и так далее.

В целом автоматическое машинное обучение — многообещающее направление. Если вы работаете в области data science, следить за новостями из мира AutoML весьма ценно. Мы подобрали материалы для погружения в эту тему:

Читайте также: