/ Модель

Характеристики

Контекст
77 токенов
Архитектура
clip · dense
Библиотека
sentence-transformers
Опубликована
11 июн 2026

clip-fashion-garments2look

ЭмбеддингиТекст → embedding3 профессии

CLIP ViT-B/32 сопоставляет текстовые описания и изображения одежды в общем векторном пространстве для поиска и подбора похожих образов.

23скачиваний за 30 дней1лайквеса обновлены11 июн 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

elalber2000/clip-fashion-garments2look — модель CLIP на базе архитектуры ViT-B/32, упакованная для sentence-transformers. Она преобразует изображения и текст в векторы общего пространства, чтобы находить визуально подходящую одежду по текстовому запросу или сопоставлять изображения с описаниями. Модель предназначена для поиска изображений и оценки сходства между текстом и изображением; название репозитория указывает на сценарий подбора образов по предметам одежды.

Модель позволяет строить поиск по каталогу одежды и ранжировать изображения по близости к текстовому описанию. В карточке приведён ориентир CLIP ViT-B/32 в 63,3% точности top-1 на валидационном наборе ImageNet; это справочная цифра для указанного варианта архитектуры, а не отдельная оценка качества поиска одежды этой модели. Веса представлены в формате safetensors. Язык текстовой части и лицензия в предоставленных материалах не указаны.

Сценарии применения

  • поиск одежды по текстовому описанию в каталоге
  • подбор образов по изображению предмета одежды
  • ранжирование товаров по сходству с запросом
  • сопоставление фотографий одежды с описаниями

Ограничения

В README нет отдельной оценки качества на задачах поиска одежды. Многоязычная поддержка для этого варианта не заявлена.

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

clip-ViT-B-32

This is the Image & Text model CLIP, which maps text and images to a shared vector space. For applications of the models, have a look in our documentation SBERT.net - Image Search

Usage

After installing sentence-transformers (pip install sentence-transformers), the usage of this model is easy:

from sentence_transformers import SentenceTransformer, util
from PIL import Image

#Load CLIP model
model = SentenceTransformer('clip-ViT-B-32')

#Encode an image:
img_emb = model.encode(Image.open('two_dogs_in_snow.jpg'))

#Encode text descriptions
text_emb = model.encode(['Two dogs in the snow', 'A cat on a table', 'A picture of London at night'])

#Compute cosine similarities 
cos_scores = util.cos_sim(img_emb, text_emb)
print(cos_scores)

See our SBERT.net - Image Search documentation for more examples how the model can be used for image search, zero-shot image classification, image clustering and image deduplication.

Performance

In the following table we find the zero-shot ImageNet validation set accuracy:

ModelTop 1 Performance
clip-ViT-B-3263.3
clip-ViT-B-1668.1
clip-ViT-L-1475.4

For a multilingual version of the CLIP model for 50+ languages have a look at: clip-ViT-B-32-multilingual-v1

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Первый модуль sentence-transformers (sentence_transformers.sentence_transformer.modules.clip_model.CLIPModel) рантайм не поддерживает.

Класс архитектуры
CLIPModel
Ревизия весов
22f76f1

0 моделей