Skip to content
Other

MOA AnyDoor mix35000

модель для виртуальной примерки одежды

2 min readupdated

Чекпоинт дообученной диффузионной модели AnyDoor, созданный для веб-сервиса виртуальной примерки MOA. На вход подаётся фото человека и снимок верха одежды, а на выходе модель аккуратно «надевает» эту вещь на фигуру в нужной области. Архитектура сочетает Stable Diffusion, ControlNet (модуль управления композицией) и энкодер признаков DINOv2. В отличие от базового AnyDoor, весы специально адаптированы под задачи пересадки одежды и лучше держат её форму при разных ракурсах. Пригодится разработчикам сервисов онлайн-примерки и исследователям генеративной графики.

Ключевые особенности

  • Специализация на одежде: модель дообучена на 25 321 паре изображений (датасет VITON-HD и корейский набор AI Hub с фронтальными и боковыми ракурсами 45°).
  • Оптимизированный формат: файл весов mix35000_fp16.ckpt (~4.9 ГБ) сохранён в 16-битной точности для U-Net, ControlNet, VAE и DINOv2, без лишних состояний оптимизатора.
  • Стабильная генерация: на тестовых проверках в формате сервиса MOA модель показала ноль сбоев генерации.
  • Готовая обвязка: исходный код веб-сервиса и инструкция по запуску на одном ПК доступны в репозитории проекта на GitHub.

Что можно сделать

  • Запустить виртуальную примерочную: подключить чекпоинт к серверной части сервиса MOA или официальному коду AnyDoor для автоматической примерки футболок, рубашек и другого верха на фото пользователей.
  • Тестировать перенос одежды под углом: использовать модель для генерации картинок с людьми в ракурсах 45°, на которых модель целенаправленно обучалась.

Пример

Чекпоинт mix35000_fp16.ckpt запускается через официальный код AnyDoor (коммит 44ca2b2) либо в составе проекта CGI_MOA — для этого путь к файлу весов нужно указать в переменной окружения ANYDOOR_CKPT в конфигурации model_server. Подробная инструкция по локальному развёртыванию на одном ПК находится в файле local/README.md репозитория Jenny5789/CGI_MOA.

ПодробнееValidation loss на тесте VITON-HD (512 изображений): 0.0400 против 0.0563 у официальных весов AnyDoor (при замере в формате дообучения).
Обучение: 35 000 шагов с batch size 32, AdamW (lr 1e-5) на 1 видеокарте NVIDIA B200.
Лицензия: строго некоммерческое использование из-за условий датасета VITON-HD (CC BY-NC 4.0).
Discuss Telegram 0

Will it run?

Runs in FP16

Fits without quantisation.

  • FP16weights 4.6 GB · ready files5.5 GB
  • FP8 / INT8recommendedweights 2.3 GB3.0 GB
  • 4-bitweights 1.3 GB1.9 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · FP16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # JI-SEOP/moa-anydoor-mix35000
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download JI-SEOP/moa-anydoor-mix35000 --local-dir ~/models/moa-anydoor-mix35000
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to moa-anydoor-mix35000
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of moa-anydoor-mix35000 (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

JI-SEOP/moa-anydoor-mix35000
Author
JI-SEOP
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments