FFRI: l'archivio tessile storico come strumento di design
Pattern storici che restavano chiusi in archivio: ora si cercano per somiglianza, si mescolano e diventano disegni nuovi.
- Anno
- 2024
Il problema
Un archivio tessile è fatto di cartelle: campionari, disegni su carta, prove di stampa. Per consultarlo bisogna già sapere cosa cercare, e si cerca per anno o per collezione, cioè con le uniche etichette che qualcuno ha avuto il tempo di scrivere. Un designer che voglia partire da lì ci mette più tempo di quanto gliene servirebbe a disegnare da zero.
Fondazione Fashion Research Italy valorizza il Made in Italy della moda attraverso ricerca e archivi: pattern storici, materiali, documentazione sui tessuti eco-sostenibili. La richiesta non era digitalizzare, quello era già stato fatto, ma rendere quel patrimonio un punto di partenza praticabile per disegnare qualcosa di nuovo.
Come l'abbiamo risolto
La ricerca è la prima cosa che abbiamo ribaltato. Al posto dei filtri per colore e periodo storico si carica un'immagine di riferimento e il sistema restituisce i pattern che le somigliano: densità della trama, rapporti cromatici, geometrie ricorrenti. Si trova anche quello che non si sapeva di cercare, che in un archivio è metà del lavoro.
Da lì partono le due strade generative. La fusione prende due pattern scelti dall'archivio e ne produce uno che tiene qualcosa di entrambi. La generazione da prompt passa dalle API DALL-E di OpenAI, ma non parte mai dal foglio bianco: al testo dell'utente si agganciano le caratteristiche cromatiche e stilistiche dei pattern esistenti.

Applicare i tratti visivi di un pattern su un altro succede dentro il browser, con TensorFlow.js e modelli pre-addestrati. È una scelta legata alla riservatezza: chi lavora su una collezione non ancora uscita non può caricare i propri file sul server di qualcun altro, e così non deve.
La parte meno fotogenica è quella che regge tutto il resto: un backend Python che parla SOAP con gli archivi esistenti della Fondazione. Il sistema documentale esistente non è stato riscritto, lo strumento ci si appoggia sopra e prende i pattern da lì. Migliaia di immagini ad alta risoluzione sono un problema di memoria prima ancora che di banda, e si risolve a monte: caricamento progressivo, cache dei pattern più richiesti e una pipeline di preprocessing che alleggerisce ogni immagine prima che arrivi al modello.
Un archivio che nessuno riesce a consultare non è un patrimonio: è un magazzino.
I risultati
Per un designer, di generatori di immagini ce ne sono già ovunque. Quello che cambia è il punto di partenza: non più un prompt, ma una cosa che esiste, disegnata da qualcuno e conservata per una ragione.
DEEP DIVE TECNICO
Front-end in Next.js, TypeScript e Tailwind per un'interfaccia reattiva. Lo style transfer gira con TensorFlow.js, usando modelli pre-addestrati per elaborazioni lato client. La generazione di immagini da prompt testuali si appoggia alle API DALL-E di OpenAI, mentre un backend in Python con SOAP fa da ponte verso gli archivi esistenti di FFRI. Per tenere i tempi bassi: gestione di immagini ad alta risoluzione, cache dei pattern usati più spesso e una pipeline di preprocessing che alleggerisce l'elaborazione e la memoria del browser.
Stack: Next.js, TypeScript, Tailwind, TensorFlow.js, DALL-E, Python, SOAP
DEEP DIVE TECNICO
Front-end in Next.js, TypeScript e Tailwind per un'interfaccia reattiva. Lo style transfer gira con TensorFlow.js, usando modelli pre-addestrati per elaborazioni lato client. La generazione di immagini da prompt testuali si appoggia alle API DALL-E di OpenAI, mentre un backend in Python con SOAP fa da ponte verso gli archivi esistenti di FFRI. Per tenere i tempi bassi: gestione di immagini ad alta risoluzione, cache dei pattern usati più spesso e una pipeline di preprocessing che alleggerisce l'elaborazione e la memoria del browser.
Stack: Next.js, TypeScript, Tailwind, TensorFlow.js, DALL-E, Python, SOAP
- Anno
- 2024
Hai un progetto simile in mente?
Raccontaci cosa vuoi costruire: ti aiutiamo a capire il percorso più veloce.







