/ Модель

Характеристики

Контекст
1 024 токена
Лицензия
MIT
Архитектура
florence2 · dense
Базовая модель
Florence-2-large
Библиотека
transformers
Опубликована
11 мар 2026

fashion-florence

Генерация текстаТекст → текст3 профессии

Fashion Florence анализирует изображения одежды и выдаёт структурированные JSON-теги её категории и характеристик.

282скачиваний за 30 дней3лайкавеса обновлены11 мар 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

Fashion Florence — модель на базе Florence-2-large от Microsoft, дообученная Anushree Berlia для извлечения структурированных характеристик одежды по изображению. Она принимает изображение предмета одежды и возвращает JSON с тегами категории, основного цвета, материала и другими атрибутами; базовая Florence-2 также поддерживает задачи компьютерного зрения по текстовым запросам.

Модель основана на архитектуре Florence-2 и содержит 0,77 млрд параметров; LoRA-адаптер слиянием включён в веса базовой модели. В тесте на 3 915 примерах из iMaterialist точность категории составила 89,5%, а точное совпадение цвета — 52,7%; для обуви и аксессуаров в тестовой выборке было мало примеров. Лицензия — MIT.

Сценарии применения

  • автоматическое определение категории одежды по фото
  • извлечение цвета и материала одежды для каталога
  • создание структурированных тегов товаров для интернет-магазина
  • разметка изображений одежды для датасета

Ограничения

Точное совпадение по цвету заметно слабее определения категории; обувь и аксессуары представлены в тестовой выборке ограниченно. Метрики приведены для оценки на iMaterialist и могут не переноситься на другие изображения и каталоги.

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

Fashion Florence: Structured Fashion Tagging with Florence-2

A fine-tuned Florence-2-large model that analyzes clothing images and returns structured fashion tags as JSON.

Florence-2 is an advanced vision foundation model that uses a prompt-based approach to handle a wide range of vision and vision-language tasks. This fine-tuned version specializes in structured fashion attribute extraction.

Model Summary

Base modelmicrosoft/Florence-2-large (0.77B params)
MethodLoRA (r=16, alpha=32) merged into base weights
TaskClothing image → structured JSON fashion tags
DatasetMarqo/iMaterialist

Output Schema

Given a clothing image, the model outputs structured JSON with:

FieldTypeDescriptionExample
categorystringOne of: top, bottom, dress, layer, shoes, accessory"dress"
primary_colorstringDominant color"navy blue"
materialstringFabric/material"cotton"
style_tagslistStyle descriptors["casual", "minimalist"]

Evaluation Results

Evaluated on 3,915 held-out test examples (5% split from iMaterialist).

Overall Metrics

MetricScore
JSON parse rate100.0%
Category accuracy89.5%
Color exact-match52.7%
Material exact-match42.6%
Style-tag Jaccard (IoU)0.644
Style-tag macro F10.888

Per-Category Performance

CategoryPrecisionRecallF1Support
top0.870.890.881,137
bottom0.940.880.91778
dress0.910.920.911,512
layer0.840.900.87435
shoes0.820.490.6147
accessory1.000.170.296

Color and material use exact-match scoring; near-synonyms (e.g. "navy" vs "navy blue") count as misses. Shoes and accessory have low support in the test set.

Comparison with Other Approaches

While direct comparisons are approximate (different datasets and task setups), these benchmarks provide context:

ModelTaskCategory F1Attribute ScoreNotes
Fashion Florence (ours)Structured JSON (4 fields)0.89 weightedStyle-tag F1: 0.888Fine-tuned LoRA, 0.77B
GPT-4o mini18 fashion attributes—Macro F1: 0.433Zero-shot
Gemini 2.0 Flash18 fashion attributes—Macro F1: 0.568Zero-shot
FashionCLIPCategory classification0.71—Contrastive learning
CLIPCategory classification0.66—General purpose
Atlas (attention-based)52-class categorization0.92 micro—Specialized classifier

Fashion Florence outperforms zero-shot LLMs by a wide margin on fashion attribute prediction, and approaches specialized classifiers on category accuracy while also producing full structured output.

How to Get Started with the Model

import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoProcessor

device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model = AutoModelForCausalLM.from_pretrained(
    "anushreeberlia/fashion-florence",
    torch_dtype=torch_dtype,
    trust_remote_code=True,
).to(device)
processor = AutoProcessor.from_pretrained(
    "anushreeberlia/fashion-florence", trust_remote_code=True,
)

image = Image.open("clothing_image.jpg").convert("RGB")
prompt = "Analyze this clothing item image and return structured fashion tags as JSON."

inputs = processor(text=prompt, images=image, return_tensors="pt").to(device, torch_dtype)
generated_ids = model.generate(
    input_ids=inputs["input_ids"],
    pixel_values=inputs["pixel_values"],
    max_new_tokens=256,
    num_beams=3,
)
result = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
print(result)

Training Details

  • Epochs: 2
  • Learning rate: 2e-4
  • Effective batch size: 16 (1 × 16 gradient accumulation)
  • LoRA rank: 16, alpha: 32, dropout: 0.05
  • Target modules: all linear layers
  • Precision: fp16
  • Dataset: ~78k training examples from iMaterialist

Citation

@article{xiao2023florence,
  title={Florence-2: Advancing a unified representation for a variety of vision tasks},
  author={Xiao, Bin and Wu, Haiping and Xu, Weijian and Dai, Xiyang and Hu, Houdong and Lu, Yumao and Zeng, Michael and Liu, Ce and Yuan, Lu},
  journal={arXiv preprint arXiv:2311.06242},
  year={2023}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Florence2ForConditionalGeneration
Ревизия весов
3d4728c

0 моделей