/ Модель

Характеристики

Контекст
64 токена
Лицензия
MIT
Базовая модель
marqo-fashionSigLIP
Библиотека
open_clip
Опубликована
7 мая 2026

moda-fashion-distilled

Классификация изображений без дообученияИзображение, текст → label3 профессии

Модель кодирует фотографии модных товаров в 768-мерные эмбеддинги для поиска похожих изображений в каталоге.

1 332скачиваний за 30 дней8лайковвеса 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-Distilled — дообученная HopitAI модель для поиска модных товаров по изображению. Она использует архитектуру ViT-B/16-SigLIP с визуальным и текстовым энкодерами, однако описанный сценарий этой версии — сопоставление изображений: модель преобразует входное изображение в вектор размерности 768 для поиска похожих товаров в каталоге. Размер модели — около 203 млн параметров; входное разрешение — 224×224 пикселя. По данным карточки, на LookBench модель показала Fine Recall@1 67,63% и превзошла указанные в сравнении FashionSigLIP и FashionCLIP.

Модель создана дообучением Marqo/marqo-fashionSigLIP на парах изображений из разных доменов, а затем дистилляцией знаний ансамбля учителей в компактный энкодер. Она предназначена для визуального поиска одежды и сопоставления фотографий товаров, включая поиск по снимкам из студии и уличным образам. Лицензия — MIT.

Модель выдаёт эмбеддинги изображений, пригодные для поиска ближайших векторов; README не описывает эту версию как модель для текстовых запросов. Приведённые метрики получены на LookBench и не гарантируют аналогичных результатов на других каталогах; для сравнения требуется индексирование изображений товаров в том же пространстве эмбеддингов.

Сценарии применения

  • поиск похожей одежды по фотографии
  • сопоставление уличного образа с товарами каталога
  • поиск товара по студийной фотографии
  • визуальный поиск модных товаров в интернет-магазине

Ограничения

Модель предназначена для поиска по изображениям; README направляет пользователей, которым нужны текстовые запросы, к другой модели семейства MODA. Метрики приведены для LookBench, поэтому качество на иных каталогах может отличаться.

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-Distilled

State-of-the-art fashion image-to-image retrieval in a single 768-d embedding.

MODA-Fashion-Distilled is a fine-tuned ViT-B-16-SigLIP model that achieves 67.63% Fine Recall@1 on LookBench, beating all published models including GR-Pro (closed) and Marqo-FashionSigLIP.

The MODA family

This model handles image to image. For text queries, see the text-to-image side:

ModelTaskSizeAvailability
MODA-SigLIP-Distilled (this model)image → product203Mopen weights
MODA-Matryoshkaimage → product203M, 64–768dopen weights
MODA-Vision-FP16image → product93M vision, 186 MBopen weights
MODAtext → product203Mopen source + open weights
MODA Pro Litetext → product213Mopen weights
MODA Protext → producthostedclosed, Hopit API

Full comparison across both tasks, measured at full corpus through one harness with competitors included and losses shown: hopit-ai.github.io/Moda · reproduce it yourself

Evaluating on your own catalog? Book a call.

Highlights

  • +3.79 Fine R@1 over FashionSigLIP (63.84 → 67.63) on LookBench Overall
  • +4.22 nDCG@5 over GR-Pro (49.80 → 53.85)
  • Same architecture and embedding dimension (768-d) as FashionSigLIP — drop-in replacement
  • 203M parameters, 224×224 input resolution

LookBench Results

ModelParamsDimFine R@1Coarse R@1nDCG@5
GR-Pro (closed)—1024——49.80
FashionSigLIP203M76863.8483.6749.63
FashionCLIP151M51259.3678.4645.20
MODA-Fashion-Distilled203M76867.6386.7453.85

Per-subset Fine Recall@1

SubsetQueriesFashionSigLIPOursDelta
RealStudioFlat1,01166.9670.23+3.27
AIGen-Studio19376.6880.31+3.63
RealStreetLook98156.3760.24+3.87
AIGen-StreetLook16074.3881.25+6.87
Overall2,34563.8467.63+3.79

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-distilled/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]

Image-to-Image Retrieval

query_emb = model.encode_image(query_tensor)     # [1, 768]
gallery_embs = model.encode_image(gallery_tensor) # [N, 768]

query_emb = F.normalize(query_emb, dim=-1)
gallery_embs = F.normalize(gallery_embs, dim=-1)

similarities = query_emb @ gallery_embs.T
top_k = similarities.topk(10, dim=-1)

Requirements

open_clip_torch>=2.20.0
torch>=2.0
Pillow
safetensors

Training Details

  • Base model: Marqo-FashionSigLIP (ViT-B-16-SigLIP, webli pretrained)
  • Method: Ensemble distillation from a 3-model 2048-d teacher (MODA-SigLIP-DF2 + FashionSigLIP + FashionCLIP)
  • Loss: RKD-Distance (wt 25) + similarity mimicry (wt 10) + L2 weight drift regularization (wt 0.01)
  • Training data: licensed and research fashion corpora with cross-domain shop↔consumer pairs — no LookBench data used
  • Optimizer: AdamW, LR=5e-6, batch=128
  • Epochs: 2 (best checkpoint at step 500)
  • Hardware: Apple M-series (MPS)

How It Works

  1. Cross-domain fine-tuning: First, the vision encoder was fine-tuned on cross-domain shop-to-consumer image pairs using InfoNCE + weight drift regularization, producing a model that learns cross-domain visual similarity.
  2. Ensemble teacher: Three models (the DF2-finetuned SigLIP + original FashionSigLIP + FashionCLIP) were concatenated into a 2048-d ensemble that scored 67.68 Fine R@1.
  3. Distillation: The ensemble's ranking knowledge was distilled into a single 768-d student using relational knowledge distillation (RKD-Distance) + similarity mimicry, retaining 99.9% of ensemble performance in one forward pass.

Related Models

ModelDimFine R@1Best for
MODA-Fashion-Distilled (this model)76867.63Best 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

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
1cdaaaf

0 моделей