/ Модель

Характеристики

Контекст
64 токена
Лицензия
MIT
Библиотека
open_clip
Опубликована
7 мая 2026

moda-fashion-matryoshka

Классификация изображений без дообученияИзображение, текст → label4 профессии

Модель HopitAI создаёт настраиваемые по размерности эмбеддинги изображений моды для компактного поиска похожих товаров в каталогах.

364скачиваний за 30 дней0лайковвеса 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-Matryoshka — модель HopitAI для получения векторных представлений изображений модной одежды и аксессуаров. Она предназначена для поиска похожих изображений и построения компактных индексов в fashion-каталогах; по README, на LookBench модель показывает высокое качество поиска Fine R@1 при сокращении размера эмбеддингов.

Модель основана на архитектуре ViT-B/16-SigLIP с визуальной и текстовой частями и содержит 203,2 млн параметров. Благодаря Matryoshka Representation Learning первые 64–768 измерений эмбеддинга образуют пригодные для поиска представления: можно выбирать размер вектора под требования к памяти и качеству. Репозиторий использует open_clip и содержит веса в формате safetensors; лицензия — MIT.

Модель поддерживает поиск по визуальному сходству и классификацию изображений без дообучения. В README описана обработка изображений; текстовая часть архитектуры указана, но отдельные сценарии текстового поиска не приведены. Заявления о результатах основаны на LookBench и не гарантируют такое же качество на других каталогах.

Сценарии применения

  • поиск похожей одежды по изображению
  • поиск модных товаров в большом визуальном каталоге
  • построение компактного индекса изображений одежды
  • сравнение изображений модных образов по сходству
  • классификация изображений моды без дообучения

Ограничения

Оценки качества приведены для LookBench; качество на других каталогах может отличаться. README описывает обработку изображений и не приводит подробностей об использовании текстового входа.

Для каких профессий подходит4

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-Matryoshka

Flexible-dimension fashion embeddings — choose your own size from 64 to 768.

MODA-Fashion-Matryoshka uses Matryoshka Representation Learning to produce nested embeddings where the leading N dimensions are themselves a valid embedding. This means you can use 256-d for 3× smaller indexes with virtually no quality loss, or 64-d for 12× compression while still beating FashionSigLIP.

Highlights

  • 256-d ties 768-d on Fine R@1 (67.42 vs 67.21) — 3× index reduction for free
  • 128-d still beats FashionSigLIP-768 by +2.39 R@1 at 6× smaller index
  • 64-d matches FashionSigLIP-768 (+0.21) at 12× smaller index
  • INT8 quantization at 256-d is lossless — 12× total compression over FashionSigLIP fp32

LookBench Results by Dimension

DimBytes/vecFine R@1vs FashionSigLIP-768Index (1M imgs)
7683,07267.21+3.372.93 GB
5122,04866.75+2.911.95 GB
3841,53667.07+3.231.46 GB
2561,02467.42+3.58977 MB
12851266.23+2.39488 MB
6425664.05+0.21244 MB

Quantization at 256-d (full LookBench protocol)

PrecisionBytes/vecFine R@1Index (1M imgs)
fp321,02467.16977 MB
fp1651267.08488 MB
int825667.16244 MB
binary+rerank32+51267.29~519 MB
binary (pure)3263.5030 MB

Model Spec

PropertyValue
ArchitectureViT-B/16-SigLIP (full CLIP: vision + text)
Parameters203.2M
Embedding Dimension768 (full) or 512 / 384 / 256 / 128 / 64
Recommended Dimension256 (sweet spot: best R@1, 3x smaller index)
OutputL2-normalized float32 vector
Model Size (safetensors)~775 MB
Input Resolution224 × 224
FrameworkOpenCLIP
Precisionfloat32

Inference — Quick Start

A standalone inference.py is included in this directory. It supports dimension selection and a full sweep.

# Default: encode at 256-d (recommended)
python inference.py --image query.jpg

# Specify dimension
python inference.py --image query.jpg --dim 128

# Two images + cosine similarity at 256-d
python inference.py --image img1.jpg img2.jpg --dim 256 --similarity

# Sweep all dimensions (64 → 768) with index cost
python inference.py --image img1.jpg --sweep

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

Python API — Truncate to Any Dimension

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-matryoshka/open_clip_model.safetensors",
)
model.eval()

image = preprocess(Image.open("query.jpg")).unsqueeze(0)
with torch.no_grad():
    full_emb = model.encode_image(image)      # [1, 768]

dim = 256
emb_256 = F.normalize(full_emb[:, :dim], dim=-1)  # [1, 256]

INT8 Quantization

import numpy as np

emb = model.encode_image(images)[:, :256]
emb = F.normalize(emb, dim=-1).numpy()

emb_min = emb.min(axis=1, keepdims=True)
emb_max = emb.max(axis=1, keepdims=True)
emb_int8 = np.round((emb - emb_min) / (emb_max - emb_min + 1e-8) * 255).astype(np.uint8)

Requirements

open_clip_torch>=2.20.0
torch>=2.0
Pillow
safetensors

Training Details

  • Base model: MODA-Fashion-Distilled (the 768-d distilled student)
  • Method: Matryoshka Representation Learning with 6 nested slices {64, 128, 256, 384, 512, 768}
  • Loss: Per-slice RKD-Distance + similarity mimicry against the 2048-d ensemble teacher
  • Optimizer: AdamW, LR=5e-6, batch=128
  • Epochs: 2 (best at step 1000)
  • Wall time: 255 minutes on Apple M-series (MPS)

Related Models

ModelDimFine R@1Best for
MODA-Fashion-Distilled76867.63Best overall quality
MODA-Fashion-Matryoshka (this model)64-76867.42 (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
0222477

0 моделей