Fiffing Room — Documentation API (démo v1.2)

API REST d'essayage virtuel : à partir d'une photo de personne et d'une photo de vêtement, l'API génère une image de la personne portant le vêtement.

Document destiné aux équipes techniques des marques pour évaluer une intégration dans une application mobile ou un site e-commerce.

1. Vue d'ensemble

Architecture : l'API est un service HTTP autonome. Une application (Zara, H&M, app de boutique…) l'appelle côté serveur : l'app envoie les deux photos, reçoit l'URL de l'image générée, l'affiche au client. Aucune installation côté client, aucun matériel en magasin.

2. Endpoints

GET /v1/health

Vérification de disponibilité.

Réponse 200

{ "status": "ok", "engine": "idm-vton (démo)", "version": "0.1.0-demo" }

POST /v1/try-on

Génère un essayage.

Requête — multipart/form-data

Réponse 200

{
  "job_id": "a1b2c3d4e5f6",
  "status": "succeeded",
  "result_image_url": "/results/a1b2c3d4e5f6.png",
  "processing_time_ms": 21000
}

Erreurs

POST /v1/product-from-link

Récupère les informations d'un produit à partir d'un lien marchand : nom, prix et photo du vêtement (prête pour /v1/try-on).

Body JSON : { "url": "https://..." }

Réponse 200

{
  "status": "ok",           // ou "blocked" / "error"
  "name": "Kith Adrian Tee - White",
  "price": "70.0 USD",
  "image_base64": "...",    // photo packshot du produit
  "image_mime": "image/jpeg",
  "source_url": "https://..."
}

Limites : la majorité des grandes enseignes (Zara, H&M, Sézane...) bloque la lecture automatique par anti-bot ; l'API renvoie alors status: "blocked" et l'intégration doit proposer l'envoi d'une photo/capture du vêtement en repli. Les dimensions exactes des vêtements ne sont publiées par aucune enseigne : la suggestion de taille (V2) s'appuiera sur les guides des tailles et les mensurations du client. En intégration native dans l'app de la marque, ces limites disparaissent — la marque fournit directement photo et fiche produit.

POST /v1/size-recommendation

Recommande la taille à prendre chez une marque à partir des mensurations du client. Grilles = mensurations du corps publiées par les marques (Zara, H&M) — les dimensions des vêtements ne sont pas publiées.

Body JSON : { "brand": "zara", "category": "tops|bottoms", "chest_cm": 96, "waist_cm": 84, "hips_cm": 98, "fit": "confort|ajuste" }

Réponse 200

{
  "status": "ok",
  "brand_label": "Zara",
  "recommended_size": "M",
  "rationale": "Avec 96 cm de poitrine, la grille Zara place la taille M (94-98 cm).",
  "note": "Zara taille plutôt petit...",
  "source": "https://sizecharter.com/brands/zar/mens"
}

Logique : la mesure principale (poitrine pour les hauts, taille pour les bas) place la taille ; la mesure secondaire (taille / hanches) la fait remonter si nécessaire ; la préférence de coupe ajuste en bord de fourchette. Sources des grilles : H&M (tableau officiel hm.com), Zara (sizecharter.com, pouces convertis).

GET /results/{job_id}.png

Télécharge l'image générée (PNG 768 × 1024).

3. Exemples d'intégration

JavaScript (site web / app e-commerce)

async function essayageVirtuel(photoClient, photoArticle) {
  const form = new FormData();
  form.append("person_image", photoClient);            // File ou Blob
  form.append("garment_image", photoArticle);          // File ou Blob
  form.append("garment_description", "robe bleue");

  const r = await fetch("https://api.fiffingroom.example/v1/try-on", {
    method: "POST", body: form
  });
  const { result_image_url } = await r.json();
  return "https://api.fiffingroom.example" + result_image_url;
}

cURL

curl -X POST https://api.fiffingroom.example/v1/try-on \
  -F "person_image=@cliente.jpg" \
  -F "garment_image=@robe.jpg" \
  -F "garment_description=robe bleue"

Python

import requests

with open("cliente.jpg", "rb") as p, open("robe.jpg", "rb") as g:
    r = requests.post("https://api.fiffingroom.example/v1/try-on",
                      files={"person_image": p, "garment_image": g},
                      data={"garment_description": "robe bleue"})
print(r.json()["result_image_url"])

4. Recommandations pour de bons résultats

• Personne : debout, face à l'appareil, bras le long du corps, fond uni et éclairé.
• Vêtement : photo produit seule (packshot), sans mannequin ni pli majeur.
• La démo traite les hauts, bas (pantalons, jupes, shorts) et tenues complètes via le paramètre category.
• La génération est probabiliste : deux appels peuvent varier légèrement (fixer seed pour un rendu déterministe).

5. Limites de la démo et chemin vers la production

Points à traiter avant tout contrat de marque : licence commerciale du modèle, hébergement GPU (coût ~0,5–1 €/h), authentification par clé API, et politique de conservation des photos (RGPD — les photos de clients sont des données personnelles).

6. Feuille de route V2 — avatar personnalisé ("bitmoji" aux mensurations)

Direction produit envisagée : en complément de l'essayage sur photo réelle, permettre à l'utilisateur de créer un avatar personnel à partir de ses mensurations (taille, corpulence, morphologie), réutilisable sur toutes les boutiques partenaires sans reprendre de photo.

Pistes techniques : génération d'un mannequin synthétique cohérent (photo de référence + paramètres corporels), ou modèle 3D paramétrique (type SMPL) rendu en image puis passé au moteur d'essayage. Avantage clé : une seule saisie des mensurations pour toutes les marques intégrant l'API, et des recommandations de taille en plus du rendu visuel.

Impact API prévu : POST /v1/avatars (création d'avatar), avatar_id en remplacement de person_image dans /v1/try-on.

← Retour à la démo