/ Модель

Характеристики

Лицензия
MIT
Базовая модель
clip-vit-base-patch32
Библиотека
peft
Опубликована
19 июл 2026

clip-lora-fashion-search

Классификация без дообученияТекст → label

LoRA-дообученная CLIP ViT-B/32 сопоставляет текстовые запросы с изображениями товаров одежды для семантического поиска и zero-shot-разметки.

0скачиваний за 30 дней0лайковвеса обновлены19 июл 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

sidmhuggingface разработала LoRA-дообучение CLIP ViT-B/32 для поиска товаров по изображениям в каталоге модной одежды. Модель сопоставляет текстовые запросы с изображениями товаров и подходит для мультимодального семантического поиска и zero-shot-разметки. Дообучен только vision encoder: адаптер rank 16 применяется к слоям q_proj, k_proj и v_proj, текстовый encoder не менялся. Доступны адаптер LoRA и объединённый с базовой моделью контрольный файл fp16; также опубликованы готовые эмбеддинги каталога из 44 412 товаров.

На отложенной выборке из 40 запросов по цвету и типу изделия Recall@10 вырос с 14,0% у исходного CLIP до 17,2%, а MRR — с 0,704 до 0,745. Модель рассчитана на поиск по запросам вроде «чёрные классические туфли» и на каталог Fashion Product Images (Small); результаты вне этого распределения могут отличаться. Лицензия — MIT.

Сценарии применения

  • поиск одежды в каталоге по текстовому запросу
  • поиск товаров по сочетанию цвета и типа изделия
  • ранжирование изображений товаров по текстовому описанию
  • zero-shot-разметка товаров текстовыми категориями

Ограничения

На запросах с несколькими связанными атрибутами модель может перепутать тип изделия: например, по запросу «красное платье» вернуть другие красные предметы одежды. Улучшение измерено на 40 запросах из заданного каталога, поэтому оно не гарантирует аналогичного качества на других товарах и запросах.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

CLIP ViT-B/32 LoRA fine-tuned on Fashion Product Images

A LoRA fine-tune of openai/clip-vit-base-patch32's vision encoder, trained to improve text-to-image retrieval on the Fashion Product Images (Small) catalog (44,412 products). Built as the backbone of a multimodal semantic search + zero-shot tagging project. Full code, tests, and write-up: GitHub repo.

What's in this repo

PathContents
clip_merged_fp16/The recommended way to use this model: base CLIP + LoRA merged into one checkpoint, saved in native fp16. Load directly with CLIPModel.from_pretrained(...), no peft needed.
lora_adapter/The LoRA adapter alone (rank 16, vision encoder q_proj/k_proj/v_proj only, text encoder untouched), for use with peft.PeftModel.from_pretrained on top of the base fp32 checkpoint.
embeddings_pretrained.npy / embeddings_lora.npyPrecomputed CLIP embeddings for all 44,412 catalog images, before and after fine-tuning, aligned to item_ids.npy.
styles_clean.csvCleaned product metadata (id, product name, article type, color) matching the embeddings.
eval_results.jsonRecall@1/5/10 and MRR, pretrained vs. fine-tuned, on 40 held-out color+category query phrases never seen during training.
split.json, loss_history.jsonTrain/eval id split and per-step training loss, for reproducibility.

How to use (recommended: merged fp16 checkpoint)

from transformers import CLIPModel, CLIPProcessor

model = CLIPModel.from_pretrained("sidmhuggingface/clip-lora-fashion-search", subfolder="clip_merged_fp16")
processor = CLIPProcessor.from_pretrained("sidmhuggingface/clip-lora-fashion-search", subfolder="clip_merged_fp16")

Training details

  • Base model: openai/clip-vit-base-patch32
  • Method: LoRA (rank 16, alpha 32, dropout 0.1) applied only to the vision encoder's q_proj/k_proj/v_proj attention projections. Text encoder frozen entirely.
  • Objective: CLIP contrastive loss (InfoNCE, in-batch negatives) on (image, productDisplayName) pairs.
  • Data: 44,412 product images, 90% train / 10% id-level holdout (seed 42).
  • Hardware: ASU Sol HPC, 1x NVIDIA A100-SXM4-80GB, 2 epochs, well under 10 minutes of GPU compute.

Evaluation

Measured on 40 held-out (color, article type) query phrases (e.g. "black formal shoes") never seen during fine-tuning, each checked against the full 44,412-item catalog using a from-scratch Recall@k / MRR implementation.

ModelRecall@1Recall@5Recall@10MRR
Pretrained CLIP1.4%7.6%14.0%0.704
LoRA fine-tuned1.6%9.1%17.2%0.745

Recall@10 improved +23.0% relative to the pretrained baseline. Absolute Recall@10 looks modest because these queries have large relevant sets (25-107 relevant images per query out of 44,412) — MRR (whether the first correct hit ranks early) is the more forgiving and arguably more representative metric for this catalog's query style, and improved +5.8% relative.

Limitations

CLIP has known weaknesses on compositional attribute binding — e.g. a query like "red dress" can return visually similar red garments (nightdresses, camisoles) rather than dresses specifically, consistent with findings in Thrush et al., 2022 (Winoground). This fine-tune improves retrieval quality on this catalog's query distribution but does not fix that underlying limitation.

License

MIT, matching the base openai/clip-vit-base-patch32 model.

Как запустить

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

GPU в ailist

Универсальный рантайм · peft

Нельзя запустить

Репозиторий содержит только адаптер (LoRA/PEFT) без базовой модели.

Ревизия весов
fc1dc4a

0 моделей