/ Модель

Характеристики

Контекст
64 токена
Лицензия
MIT
Библиотека
open_clip
Опубликована
7 мая 2026

moda-fashion-crossdomain

Классификация изображений без дообученияИзображение, текст → label3 профессии

Визуальный энкодер для поиска одинаковых и похожих предметов одежды на студийных и пользовательских фотографиях.

960скачиваний за 30 дней5лайковвеса обновлены15 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MODA-Fashion-CrossDomain — дообученный HopitAI визуальный энкодер для поиска похожих предметов одежды по изображениям. Он основан на архитектуре ViT-B/16-SigLIP с 203,2 млн параметров и выдаёт векторное представление размерности 768. Модель предназначена для поиска одного и того же товара между студийными фотографиями из интернет-магазинов и пользовательскими снимками с улицы, а также для междоменного поиска изображений одежды.

По данным карточки, на LookBench модель достигает Fine Recall@1 66,52% и превосходит FashionSigLIP на 2,68 процентного пункта; обучение проводилось на 13 557 парах-триплетах без использования LookBench и без дистилляции. Репозиторий включает полную архитектуру CLIP с визуальной и текстовой частями, но описанный сценарий инференса преобразует изображение в эмбеддинг для поиска. Модель распространяется по лицензии MIT. Ее качество подтверждено прежде всего на задачах поиска одежды; карточка не заявляет о равной эффективности на других предметных областях.

Сценарии применения

  • поиск товара в каталоге по фотографии покупателя
  • сопоставление студийного фото одежды со снимком из реальной обстановки
  • поиск похожей одежды в коллекции изображений
  • создание векторного индекса фотографий одежды
  • поиск дубликатов товара между разными фотосессиями

Ограничения

Основные результаты заявлены для поиска одежды и тестов LookBench; карточка не приводит оценки для других предметных областей. Вектор имеет размерность 768, что нужно учитывать при хранении и построении индекса.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MODA-Fashion-CrossDomain

Fashion image-to-image retrieval fine-tuned on cross-domain shop↔consumer pairs.

MODA-Fashion-CrossDomain is a vision-encoder fine-tuned ViT-B-16-SigLIP that achieves 66.52% Fine Recall@1 on LookBench, beating FashionSigLIP by +2.68 with just 13.5K training triplets and no distillation.

Highlights

  • +2.68 Fine R@1 over FashionSigLIP on LookBench Overall
  • +9.37 on AIGen-StreetLook — the hardest cross-domain subset
  • Trained on only 13,557 cross-domain triplets (no LookBench data)
  • Same architecture as FashionSigLIP — drop-in replacement
  • No ensemble or distillation needed

LookBench Results

ModelParamsDimFine R@1Coarse R@1nDCG@5
FashionSigLIP203M76863.8483.6749.63
MODA-Fashion-CrossDomain203M76866.5285.6752.46

Per-subset Fine Recall@1

SubsetQueriesFashionSigLIPOursDelta
RealStudioFlat1,01166.9669.63+2.67
AIGen-Studio19376.6877.20+0.52
RealStreetLook98156.3758.41+2.04
AIGen-StreetLook16074.3883.75+9.37
Overall2,34563.8466.52+2.68

Model Spec

PropertyValue
ArchitectureViT-B/16-SigLIP (full CLIP: vision + text)
Parameters203.2M
Embedding Dimension768
OutputL2-normalized float32 vector
Model Size (safetensors)~775 MB
Model Size (pytorch .bin)~775 MB
Input Resolution224 × 224
FrameworkOpenCLIP
Precisionfloat32

Inference — Quick Start

A standalone inference.py is included in this directory.

# Single image → 768-d embedding
python inference.py --image query.jpg

# Two images → embeddings + cosine similarity
python inference.py --image img1.jpg img2.jpg --similarity

# Run on GPU/MPS
python inference.py --image query.jpg --device cuda

Python API

import open_clip
import torch
import torch.nn.functional as F
from PIL import Image

model, _, preprocess = open_clip.create_model_and_transforms(
    "ViT-B-16-SigLIP",
    pretrained="path/to/moda-fashion-crossdomain/open_clip_model.safetensors",
)
model.eval()

image = preprocess(Image.open("query.jpg")).unsqueeze(0)
with torch.no_grad():
    features = model.encode_image(image)
    features = F.normalize(features, p=2, dim=-1)  # [1, 768]

Requirements

open_clip_torch>=2.20.0
torch>=2.0
Pillow
safetensors

Training Details

  • Base model: Marqo-FashionSigLIP (ViT-B-16-SigLIP, webli pretrained)
  • Fine-tuned components: Vision encoder only (image tower)
  • Training data: cross-domain shop↔consumer image pairs (see the corpus specification in the repo's REPRODUCE.md)
  • Triplets: 13,557 train + 714 validation
  • Loss: InfoNCE + L2 weight drift regularization
  • Temperature: 0.07
  • Alignment weight: 0.3
  • Optimizer: AdamW, LR=2e-6, batch=24
  • Epochs: 4 (best at epoch 3, val triplet accuracy = 99.6%)
  • BBox cropping: Uses per-garment bounding box annotations for item-level crops
  • Hardware: Apple M-series (MPS)

Why It Works

The key insight is cross-domain contrastive learning. The training corpus contains pairs of the same product photographed in two very different conditions:

  • Shop images: Clean studio photos (white background, centered)
  • Consumer images: In-the-wild photos (varied backgrounds, angles, lighting)

Training the vision encoder to match these pairs teaches the model to look past domain differences and focus on the product's intrinsic visual features — exactly what LookBench tests.

Related Models

ModelDimFine R@1Best for
MODA-Fashion-Distilled76867.63Best overall quality
MODA-Fashion-Matryoshka64-76867.42 (256d)Flexible dim, 3x smaller index
MODA-Fashion-Vision-FP1676867.42Smallest (186 MB), edge/mobile
MODA-Fashion-Distilled-512d51267.63Compact index, highest nDCG@5
MODA-Fashion-CrossDomain (this model)76866.52Simplest recipe, no distillation

License

MIT

Citation

If you use this model, please cite:

@software{moda2026,
  title  = {MODA: Open-source benchmark and models for fashion search},
  author = {Hopit AI},
  year   = {2026},
  url    = {https://github.com/hopit-ai/Moda}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Ревизия весов
acab047

0 моделей