После скачки репозитория установите все зависимости из requirements.txt. Затем в командную строку пропишите "playwright install".
В коде мы оставили наш тестовый логин и пароль с сайта, к которому мы обращаемся, чтобы генерировать картинку. На нём ограниченное кол-во генераций, поэтому если вы хотите продолжить им пользоваться, зарегестрируйтесь и подтвердите код на почте, после это введите свой логин и пароль в файле parametres.py.
Чтобы загрузить картинку надо:
- Нажать кнопку: "Выбрать файлы", справа будет отображаться имя выбранного вами файла.
- Под кнопкой "Перегенерировать фотографии" есть поле для ввода текста, туда пока можно ввести только английский текст, описывающий фон (модель иногда может не сгенерировать то, что вы хотели, поэтому, чем подробнее описан запрос, тем схоже будет картинка с вашей фантазией).
- Нажимаете на кнопку "Перегенерировать фотографии" и ожидаете, в это время пока можно будет делать другии функции сайта. (Кнопка "Загрузить" отображает вашу исходную загруженную фотографию).
Сама картинка выводится с фиолетовой рамкой сверху и словом "Text" в ней, это функционал шаблона карточки. Пока этот функционал мы полностью не внедрили, но мы просто хотим дать понять, что сгенерированную картинку можно обернуть в шаблон и вписывать текст, что не заставит покупателя открывать описание товара и читать его полностью, чтобы понять нужный ли для него это товар, а только взглянуть на фотокарточку и подчерпнуть полезную для себя информацию. При дальнейшем развитии, на нашем сервисе уже изначально будет несколько таких шаблонов, чтобы предоставить выбор продавцу.
В "Характеристики товара", "Аналитика Internet", "Аналитика Wilberries" и "Калькулятор увеличения продаж" уже расписано что делать, просто хотим добавить, что нейросеть GPT генерирует быстрее, чем llama2, но мы также оставили пробный ключ от GPT (может не работать).
По части ML: Мы собрали кучу данных, кучу принаков с различных товаров, но этого все равно не хватает для хорошего алгоритма по предсказаниям продаж. 1 - Данные сильно разбросаны и неравномерно распределены, к примеру, товаров с продажами от 0 до 100 гораздо больше, чем товаров с продажами свыше 100, поэтому модели проще говорить, что товар лежит в диапазоне от 0 до 100 и она будет права в 70% случаев. 2 - Нехватает признаков товаров для нормального предсказания, казалось бы, товар 100% должен иметь 10 продаж в месяц, но имеет все 200, это значит, что мы не учитываем некоторые признаки товара, будь то брэнд, сезонность или еще что-то. 3 - Сами маркетплейсы затерают данные, удаляют товары с низким рейтингом, на WB есть только товары с рейтингом от 4* до 5*, также некоторые продавцы накручивают себе продажи и отзыввы, некоторые продукты продвигаються в топ из-за рекламы, поэтому данные становяться мутными, а хорошая выборка это уже 70% алгоритма. Чем чистее данные мы сможем добыть, тем лучше будет алгоритм.
А теперь по коду: Некоторые места можно оптимизировать и увеличить скорость выполнения кода. Также можно добавить фильтр для плохиx запросов от пользователя, по типу name = {спецсимволы}. Мы старались сделать иерархию папок интуитивно понятной и простой, все части кода оборачивали в удобные функции.
Код картинки можно упростить, убрав функцию gen_imag(imgB64) и сделав конвертацию на стороне JS, а также в функции downloadurl(prompt) избавиться от метода DRY.