/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
siglip · dense
Библиотека
transformers
Опубликована
2 дек 2025

SigLIP2-giant

Эмбеддинги изображенийИзображение → embedding3 профессии

Дообученная модель SigLIP2-Giant превращает фотографии кошек и собак в эмбеддинги для поиска и проверки совпадений отдельных животных.

405скачиваний за 30 дней5лайковвеса обновлены12 авг 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

AvitoTech SigLIP2-Giant — дообученная модель компьютерного зрения для распознавания отдельных кошек и собак по изображениям. Она основана на google/siglip2-giant-opt-patch16-384 и принимает изображения размером 384×384 пикселя, выдавая эмбеддинги размерностью 1536, пригодные для сравнения и проверки совпадений.

Модель предназначена для повторной идентификации животных и поиска похожих изображений: например, для сопоставления найденного питомца с базой фотографий или связывания снимков с ветеринарной записью. В README указано обучение на 1 904 157 фотографиях 695 091 кошки и собаки с использованием нескольких наборов данных и дополнительно собранных изображений. Для сравнения эмбеддингов и принятия решения о совпадении требуется внешняя логика.

Модель загружается через Transformers и распространяется по лицензии Apache-2.0. Заявленные сценарии ограничены идентификацией кошек и собак; метрики в карточке приведены для отдельных наборов тестовых данных, поэтому они сами по себе не гарантируют качество на иных породах, условиях съёмки или популяциях.

Сценарии применения

  • поиск потерявшегося питомца по фотографии
  • повторная идентификация кошек и собак в фотобазе
  • проверка, изображено ли одно и то же животное на двух снимках
  • сопоставление фотографий питомца с ветеринарной записью
  • отслеживание отдельных животных по изображениям

Ограничения

Предназначена для идентификации кошек и собак; качество на других видах животных или вне описанных тестовых наборов не установлено. Для получения решения о совпадении нужно отдельно сравнивать эмбеддинги.

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

SigLIP2-Giant Fine-tuned for Animal Identification

Fine-tuned SigLIP2-Giant model for individual animal identification, specializing in distinguishing between unique cats and dogs. This model produces robust image embeddings optimized for pet recognition, re-identification, and verification tasks.

Model Details

  • Base Model: google/siglip2-giant-opt-patch16-384
  • Input: Images (384x384)
  • Output: Image embeddings (1536-dimensional)
  • Task: Individual animal identification and verification

Training Data

The model was trained on a comprehensive dataset combining multiple sources:

  • PetFace Dataset: Large-scale animal face dataset with 257,484 unique individuals across 13 animal families
  • Dogs-World: Kaggle dataset for dog breed and individual identification
  • LCW (Labeled Cats in the Wild): Cat identification dataset
  • Web-scraped Data: Additional curated images from various sources

Total Dataset Statistics:

  • 1,904,157 total photographs
  • 695,091 unique individual animals (cats and dogs)

Training Details

Training Configuration:

  • Batch Size: 116 samples (58 unique identities × 2 photos each)
  • Optimizer: Adam with learning rate 1e-4
  • Training Duration: 10 epochs
  • Transfer Learning: Final 5 transformer blocks unfrozen, lower layers frozen to preserve pre-trained features

Loss Function: The model is trained using a combined loss function consisting of:

  1. Triplet Loss (margin α=0.45): Encourages separation between different animal identities
  2. Intra-Pair Variance Regularization (ε=0.01): Promotes consistency across multiple photos of the same animal

Combined as: L_total = 1.0 × L_triplet + 0.5 × L_var

This approach creates compact feature clusters for each individual animal while maintaining large separation between different identities.

Performance Metrics

The model has been benchmarked against various vision encoders on multiple pet recognition datasets:

Cat Individual Images Dataset

ModelROC AUCEERTop-1Top-5Top-10
CLIP-ViT-Base0.98210.06040.83590.95790.9711
DINOv2-Small0.99040.04220.85470.96600.9764
SigLIP-Base0.98990.03900.86490.97570.9842
SigLIP2-Base0.98940.03880.86600.97720.9863
Zer0int CLIP-L0.98810.05090.87680.97670.9845
SigLIP2-Giant0.99400.03440.88990.98680.9921
SigLIP2-Giant + E5-Small-v2 + gating0.99290.03440.89520.98720.9932

DogFaceNet Dataset

ModelROC AUCEERTop-1Top-5Top-10
CLIP-ViT-Base0.97390.07720.43500.64170.7204
DINOv2-Small0.98290.05710.55810.75400.8139
SigLIP-Base0.97920.06060.58480.77460.8319
SigLIP2-Base0.97760.06720.59250.78560.8422
Zer0int CLIP-L0.98140.06250.62890.80920.8597
SigLIP2-Giant0.99260.03260.74750.90090.9316
SigLIP2-Giant + E5-Small-v2 + gating0.99200.03140.78180.92330.9482

Combined Test Dataset (Overall Performance)

ModelROC AUCEERTop-1Top-5Top-10
CLIP-ViT-Base0.97520.07290.65110.81220.8555
DINOv2-Small0.98480.05460.71800.86780.9009
SigLIP-Base0.98110.05720.73590.88310.9140
SigLIP2-Base0.97930.06310.74000.88890.9197
Zer0int CLIP-L0.98420.05650.76260.89940.9267
SigLIP2-Giant0.99120.03780.82430.94710.9641
SigLIP2-Giant + E5-Small-v2 + gating0.98820.04220.84280.95760.9722

Metrics Explanation:

  • ROC AUC: Area Under the Receiver Operating Characteristic Curve - measures the model's ability to distinguish between different individuals
  • EER: Equal Error Rate - the error rate where false acceptance and false rejection rates are equal
  • Top-K: Accuracy of correct identification within the top K predictions

Basic Usage

Installation

pip install transformers torch pillow

Get Image Embedding

import torch
import torch.nn.functional as F
from PIL import Image
from transformers import AutoImageProcessor, AutoModel

repo = "AvitoTech/SigLIP2-giant"
processor = AutoImageProcessor.from_pretrained(repo)
model = AutoModel.from_pretrained(repo).eval()

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

image = Image.open("your_image.jpg").convert("RGB")

with torch.no_grad():
    inputs = processor(images=[image], return_tensors="pt").to(device)
    embedding = model.get_image_features(**inputs)
    embedding = F.normalize(embedding, dim=1)

print(f"Embedding shape: {embedding.shape}")  # torch.Size([1, 1536])

Citation

If you use this model in your research or applications, please cite our work:

@Article{jimaging12010030,
AUTHOR = {Kudryavtsev, Vasiliy and Borodin, Kirill and Berezin, German and Bubenchikov, Kirill and Mkrtchian, Grach and Ryzhkov, Alexander},
TITLE = {From Visual to Multimodal: Systematic Ablation of Encoders and Fusion Strategies in Animal Identification},
JOURNAL = {Journal of Imaging},
VOLUME = {12},
YEAR = {2026},
NUMBER = {1},
ARTICLE-NUMBER = {30},
URL = {https://www.mdpi.com/2313-433X/12/1/30},
ISSN = {2313-433X},
ABSTRACT = {Automated animal identification is a practical task for reuniting lost pets with their owners, yet current systems often struggle due to limited dataset scale and reliance on unimodal visual cues. This study introduces a multimodal verification framework that enhances visual features with semantic identity priors derived from synthetic textual descriptions. We constructed a massive training corpus of 1.9 million photographs covering 695,091 unique animals to support this investigation. Through systematic ablation studies, we identified SigLIP2-Giant and E5-Small-v2 as the optimal vision and text backbones. We further evaluated fusion strategies ranging from simple concatenation to adaptive gating to determine the best method for integrating these modalities. Our proposed approach utilizes a gated fusion mechanism and achieved a Top-1 accuracy of 84.28% and an Equal Error Rate of 0.0422 on a comprehensive test protocol. These results represent an 11% improvement over leading unimodal baselines and demonstrate that integrating synthesized semantic descriptions significantly refines decision boundaries in large-scale pet re-identification.},
DOI = {10.3390/jimaging12010030}
}

Use Cases

  • Individual pet identification and re-identification
  • Lost and found pet matching systems
  • Veterinary record management
  • Animal behavior monitoring
  • Wildlife conservation and tracking

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
SiglipModel
Ревизия весов
91c0bb1

0 моделей