La ropa de cada persona sale de los 3 mejores cuadros de su cuerpo. SegFormer separa las prendas (arriba, pantalón, pollera, vestido, sombrero, cartera, bufanda, anteojos de sol) y de cada una se toma el color. SigLIP 2 da las etiquetas que SegFormer no tiene (anteojos, gorra, campera, mochila) y compara la frase entera con la imagen. En la búsqueda, lo que se reconoce de la frase (hombre o mujer, una prenda, su color) es una condición; el resto solo ordena por parecido.