Stil Kutusu

Proje Hakkında

Stil Kutusu, moda ve teknolojinin kesişim noktasında konumlanan, yapay zeka destekli kapsamlı bir kişisel stil danışmanı uygulamasıdır. Platform, kullanıcıların gardıroblarını dijitalleştirmelerine, stil profillerini oluşturmalarına ve her gün için kişiselleştirilmiş kombin önerileri almalarına olanak tanır. Uygulamanın temelinde gelişmiş bir görüntü tanıma ve sınıflandırma motoru yer alır. Kullanıcılar kıyafetlerinin fotoğraflarını çekerek dijital gardıroplarını oluşturur. AI modeli her kıyafeti otomatik olarak kategori (üst, alt, dış, ayakkabı, aksesuar), renk, desen, malzeme, stil (casual, formal, sporcu, bohem) ve mevsim uygunluğu açısından etiketler. Kombin önerisi motoru, renk teorisi, moda kuralları ve kullanıcı tercihlerini birleştiren çok katmanlı bir algoritma kullanır. Renk uyumu (komplementer, analog, triadik), stil tutarlılığı, mevsim uygunluğu ve kıyafet formality seviyesi gibi parametreleri optimize ederek günlük kombin seçenekleri sunar. Kullanıcının geçmiş seçimleri ve beğenileri üzerinden sürekli öğrenerek öneriler kişiselleşir. Sosyal özellikler, kullanıcıların kombinlerini paylaşmalarına, stil ilhamı almalarına ve moda topluluğuyla etkileşim kurmalarına olanak tanır. Stil panoları, trend takibi ve influencer kombin analizleri platformun sosyal katmanını oluşturur. Hava durumu entegrasyonu, günlük giyim tavsiyelerini meteorolojik koşullara göre uyarlar. Sıcaklık, nem, yağış olasılığı ve rüzgar hızı gibi parametreler kombin önerilerinde aktif olarak kullanılır. Kullanıcılar sabah bildiriminde günün hava durumuna uygun kombin önerisi alır.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Stil Kutusu, Clean Architecture prensipleri ile MVVM-Coordinator pattern üzerine inşa edilmiştir. SwiftUI view katmanı, Combine pipeline'ları ile ViewModel'lere bağlanır. Navigation, Coordinator pattern ile merkezi olarak yönetilir ve deep linking desteği sağlar. Kıyafet tanıma pipeline'ı üç aşamadan oluşur. Birinci aşamada VNDetectObjectRectanglesRequest ile kıyafet bölgeleri tespit edilir ve arka plandan ayrıştırılır. İkinci aşamada VNClassifyImageRequest ile Core ML modeline beslenir. Üçüncü aşamada CIColorInfo ile dominant renk çıkarımı yapılır. Tüm pipeline async/await ile orchestrate edilir ve ortalama 350ms'de tamamlanır. Kombin motoru, constraint satisfaction problem (CSP) olarak modellenmiştir. Kıyafetler arasındaki uyumluluk, 0-1 arası skor matrisinde tutulur. Renk uyumu CIE Lab color space üzerinde hesaplanır (deltaE < 30 uyumlu). Stil uyumu cosine similarity ile ölçülür. Mevsim uygunluğu binary constraint olarak tanımlanır. Backtracking algoritması ile en yüksek toplam skora sahip kombin setleri üretilir. AR modülü ARKit 6 ve SceneKit entegrasyonu ile çalışır. ARBodyTrackingConfiguration ile 91 eklem noktası gerçek zamanlı izlenir. Kıyafet mesh'leri SCNGeometry olarak oluşturulur ve SCNPhysicsBody ile basit cloth simulation uygulanır. Environment lighting AREnvironmentProbeAnchor ile yakalanarak kıyafet üzerine PBR (Physically Based Rendering) shader ile uygulanır. Hava durumu entegrasyonu WeatherKit API ile sağlanır. 48 saatlik tahmin verisi çekilerek sıcaklık, nem ve yağış olasılığı kombin motoruna parametre olarak beslenir. Sıcaklık aralıklarına göre kıyafet katman sayısı ve malzeme ağırlığı optimize edilir. CloudKit entegrasyonu CKContainer.default() ile yapılandırılmıştır. Gardırop verileri CKRecord olarak private database'de saklanır. CKAsset ile kıyafet fotoğrafları iCloud'a yedeklenir. CKSubscription ile değişiklik bildirimleri alınarak cihazlar arası senkronizasyon sağlanır.

Araştırma Notları

Türkiye moda perakende pazarı 2024 itibarıyla 420 milyar TL büyüklüğe ulaşmış olup, online moda alışverişi bu pazarın %28'ini oluşturmaktadır. Kişisel stil danışmanlığı dijital servis segmenti henüz erken aşamada olup yıllık %45 büyüme göstermektedir. Rakip analizi kapsamında Stitch Fix (ABD), Cladwell (ABD), Stylebook (Global), Combyne (AB) ve Modanisa (TR — muhafazakâr segment) incelenmiştir. Türkiye pazarında AI destekli kapsamlı bir stil danışmanı uygulaması bulunmamaktadır. Mevcut çözümler ya sadece gardırop yönetimi ya da sadece alışveriş önerisine odaklanmaktadır. Kullanıcı araştırmasında 180+ kadın ve 60+ erkek kullanıcı ile derinlemesine görüşme yapılmıştır. Kadın kullanıcıların %81'i her sabah ne giyeceğine karar vermenin stresli olduğunu belirtirken, erkek kullanıcıların %56'sı "güvenli" kombinlerin dışına çıkmakta zorlandığını ifade etmiştir. Her iki grup da kişiselleştirilmiş önerilere güçlü ilgi göstermiştir. Görüntü tanıma literatürü kapsamında Fashion-MNIST, DeepFashion ve iMaterialist Challenge veri setleri incelenmiştir. Transfer learning yaklaşımının moda kategorilendirmede %90+ doğruluk sağlayabildiği doğrulanmıştır. Türkiye pazarına özel etiketleme (tesettür, yelek, şalvar gibi yerel kategoriler) için özel annotation guide hazırlanmıştır.

Tasarım Süreci

Tasarım süreci, moda psikologları ve stil danışmanları ile yapılan atölye çalışmaları ile başlamıştır. Giyim kararlarının arkasındaki motivasyonlar (özgüven, sosyal kabul, pratiklik, kendini ifade) haritalanmış ve uygulamanın bu motivasyonlara hitap edecek şekilde tasarlanması kararlaştırılmıştır. Kullanıcı yolculuğu, onboarding'den günlük kullanıma uzanan akıcı bir deneyim olarak kurgulanmıştır. Onboarding sırasında stil tercihleri (12 stil arketipinden 3 seçim), renk paletleri ve beden bilgileri toplanır. İlk 7 gün "Gardırop Challenge" ile kullanıcılar mevcut kıyafetlerini fotoğraflamaya teşvik edilir. Görsel tasarımda, moda dergilerinin editorial estetiği referans alınmıştır. Temiz beyaz arka plan, ince tipografi (SF Pro Display + custom serif headings) ve bol negatif alan ile premium bir deneyim oluşturulmuştur. Renk paleti minimal tutulmuş, pembe-fuşya accent rengi marka kimliğini oluşturur. Kombin öneri kartları, kullanıcı testleri sonucunda iteratif olarak geliştirilmiştir. İlk tasarımda ürünler liste halinde gösteriliyordu, kullanıcıların %62'si kombinasyonu hayal edemediğini belirtti. Flatlay görünümüne (ürünlerin düz yüzeyde yerleştirilmiş gibi gösterilmesi) geçildiğinde anlaşılırlık %84'e yükseldi. Accesibility tasarımında VoiceOver tam desteği sağlanmıştır. Renk açıklamaları sözel olarak sunulur ("koyu lacivert blazer ceket"), görseller detaylı alt metin ile etiketlenir. Renk körlüğü modu, renk uyumu önerilerinde ek metin açıklamaları sağlar.

Sonuçlar & Etki

Stil Kutusu, lansmandan itibaren 12 ay içinde 35.000+ aktif kullanıcıya ve 95.000+ indirmeye ulaşmıştır. App Store Yaşam Tarzı kategorisinde Türkiye'de sürekli ilk 30 içinde yer almaktadır. Kullanıcı başına ortalama dijital gardırop boyutu 84 parçadır. Günlük kombin önerisi kullanan kullanıcıların %73'ü önerileri beğendiğini ve giyim kararlarının hızlandığını belirtmiştir. Ortalama günlük giyim karar süresi 12 dakikadan 3 dakikaya düşmüştür. AI kıyafet tanıma doğruluğu: kategori %94.2, ana renk %89.5, desen %82.1, stil %78.3. Kullanıcı geri bildirimleri ile model sürekli iyileştirilmekte olup, lansmandan bu yana kategori doğruluğu %88'den %94.2'ye yükselmiştir. AR sanal deneme özelliği, kullanıcıların %48'i tarafından aktif olarak kullanılmaktadır. Bu özelliği kullanan kullanıcıların online alışveriş iade oranı %34'ten %18'e düşmüştür. Sosyal paylaşım özelliği aylık 15.000+ kombin paylaşımı ile organik büyümenin %22'sini sağlamaktadır. Eksik parça tespiti ve alışveriş önerileri üzerinden affiliate gelir modeli, aylık 180.000 TL komisyon geliri üretmektedir. Partner mağazalarla yapılan entegrasyonlar sayesinde kullanıcılara özel indirim kodları sunulmaktadır.

Öğrenilen Dersler

Stil Kutusu projesi, moda gibi subjektif bir alanda AI önerilerinin güvenilirliğini sağlamanın ne kadar zor olduğunu gösterdi. İlk sürümdeki kombin önerileri tamamen ML tabanlıydı ve kullanıcıların sadece %45'i önerileri beğeniyordu. Rule-based katman eklendikten ve moda danışmanlarının geri bildirimleri entegre edildikten sonra beğeni oranı %73'e yükseldi. "AI her şeyi çözebilir" yanılgısından uzak durarak domain expertise ile AI'ı birleştirmek doğru yaklaşımdı. Görüntü tanıma modelinin eğitim veri seti oluşturma süreci beklenenden çok daha fazla zaman aldı. İlk aşamada internet'ten scrape edilen stok fotoğraflarla eğitilen model, gerçek kullanıcı fotoğraflarında düşük performans gösterdi. Eğitim verisinin hedef kullanım senaryosunu temsil etmesi kritik önem taşıyor — kullanıcıların ev ortamında, farklı ışık koşullarında çektiği fotoğraflarla model yeniden eğitildiğinde doğruluk %15 arttı. AR deneme özelliğinin performans optimizasyonu iteratif bir süreç oldu. İlk sürümde A14 chip altındaki cihazlarda 20fps'nin altına düşüyordu. LOD (Level of Detail) sistemi, mesh simplification ve shader optimizasyonu ile minimum 30fps hedefine ulaşıldı. A12 chip minimum destek olarak belirlendi. Gizlilik odaklı tasarım, pazarlama açısından güçlü bir farklılaştırıcı oldu. "Fotoğraflarınız cihazınızda kalır" mesajı, rekabet avantajı sağladı ve kullanıcı güvenini artırdı. Rakiplerin bulut tabanlı yaklaşımlarına karşı on-device processing tercih edilmesi doğru bir stratejik karardı.