/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
21 авг 2026

person_reid_siglip2_naflex_512d

Эмбеддинги изображенийИзображение → embedding

Модель на основе SigLIP2 превращает обрезанные изображения людей в 512-мерные векторы для поиска и повторной идентификации между камерами.

0скачиваний за 30 дней0лайковвеса обновлены22 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

occurra/person_reid_siglip2_naflex_512d — модель извлечения признаков изображений для повторной идентификации людей; разработчик описывает её как image-to-image person re-identification. Модель принимает изображения с обрезанными фигурами людей с сохранением естественного соотношения сторон и возвращает L2-нормированные векторы размерности 512. Сходство векторов можно сравнивать скалярным произведением, эквивалентным косинусному сходству для нормированных векторов.

Модель основана на SigLIP2 с обработкой изображений через patch-16 токенизацию и переменные сетки патчей; опубликованный ONNX-файл использует ONNX Runtime, opset 17. В графе поддерживаются до 256 патчей на изображение, а позиционные данные масштабируются отдельно для каждого изображения, поэтому в одном пакете допустимы разные пропорции сторон. Для применения в системах видеонаблюдения README приводит результаты на внутреннем наборе с фиксированных камер и на публичных наборах Market-1501 и DukeMTMC-reID. Проекция 512 измерений сохраняет, по заявлению автора, 99,8% дисперсии исходных эмбеддингов.

Модель предназначена для поиска изображений одного и того же человека в галерее и сопоставления человека между камерами. Результаты зависят от домена: лидер на внутреннем наборе не является лидером на всех публичных бенчмарках. Для предобработки важны сохранение естественного соотношения сторон и ограничение экстремальных пропорций; пропуск этих правил заметно меняет эмбеддинги. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск того же человека в галерее изображений
  • сопоставление человека между кадрами разных камер
  • ранжирование кандидатов по сходству внешнего вида
  • извлечение эмбеддингов людей для системы видеонаблюдения

Ограничения

Качество зависит от домена: результаты на публичных наборах расходятся с результатами на внутреннем наборе камер. Предобработка должна сохранять естественное соотношение сторон и ограничивать слишком малые или экстремально вытянутые обрезки, иначе эмбеддинги заметно меняются.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

person_reid_siglip2_naflex_512d

Image-to-image person re-identification. Crops in, 512-d unit-norm vectors out; compare with a dot product (cosine similarity).

Crops are consumed at their natural aspect ratio — no fixed square resize, which matters for person crops, where aspect varies widely.

Benchmarks

mAP / rank-1 at the model's native 768-d width (see the note on 512-d below). Best per row in bold.

benchmarkthis modelCLIP-ReID ViT-B/16MarketaJu SigLIP2
Real-camera set (200q / 598g)0.9230 / 0.97500.8169 / 0.89000.8692 / 0.9200
Market-15010.7360 / 0.86940.7784 / 0.90260.8090 / 0.9068
DukeMTMC-reID0.5772 / 0.75270.4363 / 0.63460.5547 / 0.7365
MSMT170.4681 / 0.71170.1503 / 0.38310.5660 / 0.7899
Cross-domain set (3,000q / 10,415g)0.3981 / 0.39030.3021 / 0.30990.4692 / 0.4694
VC-Clothes (clothes-change)0.4756 / 0.68200.4838 / 0.69970.6115 / 0.7596

Protocol: gallery entries sharing both identity and camera with the query are dropped as junk; queries left with no true match are skipped.

Notes:

  • The real-camera set is an in-house benchmark of fixed-camera surveillance captures with annotator-verified labels — the closest proxy to deployment conditions here, and the only row measured on the cameras this model serves. On it, top-1 errors fall from 22 of 200 (CLIP-ReID) to 9.
  • The public benchmarks and the real-camera set disagree about who is best, and that is the point. MarketaJu leads Market-1501, MSMT17 and the cross-domain set, yet places second on real cameras. Its public wins are consistent with source overlap: its training corpora (CUHK-PEDES, ICFG-PEDES) are assembled from Market-1501 and MSMT17 imagery, so those test identities are not necessarily unseen. DukeMTMC, which appears in none of its sources, is the one public set where it loses.
  • Competitor figures were measured through their own published weights and preprocessing, not reimplementations.
  • The published 512-d projection retains 99.8% of embedding variance and costs about half a point on the real-camera set: 0.9180 / 0.9700. The table is reported at 768-d so the comparison against other models is width-neutral.

Files

fileuse
person_reid_siglip2_naflex_512d.onnxONNX Runtime (opset 17)
person_reid_siglip2_naflex_512d.pthtorch bundle — {config, backbone, neck_scale, neck_shift, proj_weight, proj_bias}

ONNX interface — three inputs, one output:

pixel_values          (B, 256, 768)  float32   patch sequence, padded
pixel_attention_mask  (B, 256)       int64     1 = real patch, 0 = padding
spatial_shapes        (B, 2)         int64     per-image patch grid (rows, cols)
→ embedding           (B, 512)       float32   L2-normalized in-graph

Preprocessing: RGB, natural aspect ratio, patch-16 tokenisation to at most 256 patches, mean/std 0.5, BILINEAR. Crops with a short side under 32px or an aspect ratio beyond 5:1 are scaled to those bounds first — surveillance person crops hit this guard often, and skipping it changes embeddings measurably.

Mixed patch grids within one batch are handled correctly — the positional resize happens in-graph per image, so batches need not be aspect-uniform.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
0808c7c

0 моделей