---
title: MVEB-test
canonical_url: "https://www.modelscope.cn/datasets/Christin/MVEB-test"
md_url: "https://www.modelscope.cn/datasets/Christin/MVEB-test.md"
repository: Christin/MVEB-test
last_updated: 2026-07-31
license: CC-BY-NC-SA-4.0
downloads: 11793
stars: 2
---

# MVEB-test

> MVEB-test - Christin 在 ModelScope 开源的数据集。MVEB 测试集（Test Split）

Christin/MVEB-test 是 ModelScope 魔搭社区上的数据集，采用 CC-BY-NC-SA-4.0 许可。

- **Repository**: Christin/MVEB-test
- **License**: CC-BY-NC-SA-4.0
- **Downloads**: 11793
- **Stars**: 2
- **Last updated**: 2026-07-31

Source: https://www.modelscope.cn/datasets/Christin/MVEB-test

---

# MVEB 测试集（Test Split）

[English](README-en.md) | 简体中文

![MVEB Overview](assets/dataset.png)

本仓库包含 [MVEB](https://chrisclear3.github.io/MVEB/)（Multimodal Visual identity Embedding Benchmark）的 **test** 划分。MVEB 是一个面向视觉 identity-level 检索数据集：给定一个查询（文本 + 图片），模型需要检索出属于同一视觉 ID 的候选（文本 + 图片）。

test 划分覆盖 **28 个子数据集**，横跨四类元任务：

- **ID识别（Identity Recognition）** —— 物体 / 商品 / 物种识别
- **Re-ID（Re-Identification）** —— 行人 / 人脸 / 车辆重识别
- **ID定位（Identity Grounding）** —— 将查询定位到视觉ID
- **ID编辑（Identity Editing）** —— 编辑图像对上的检索

> **train** 划分单独发布（目录布局相同，子集较少）。训练数据请见对应的 train 仓库。

> **部分子集不可再分发。** `CompCars`、`DukeMTMC`、`Inshop`、`IUST`、`MS-Celeb-1M`、`MultiID`、`Product1m` **未包含**在本仓库中，请按 [重建受限子集](#重建受限子集) 一节在本地重建。其余 **21 个子集**以 parquet 形式随仓库提供。

## 目录结构

每个子集由三个部分组成：

| 文件 | 说明 |
|------|------|
| `query.parquet` | 查询元数据（`instruction`、`text`、`pos_ids` 等） |
| `candidate.parquet` | 候选池元数据 |
| `media-*.parquet` | 去重后的媒体池（`image` / `video` / `audio`） |

`query` 和 `candidate` 的每一行通过 `media_index` 引用共享的媒体池，因此每张图片只存储一次。

## 加载数据

每个子集对应三个 HuggingFace config：`{Subset}_media`、`{Subset}_query`、`{Subset}_candidate`，split 名为 `test`。

```python
from datasets import load_dataset

repo = "HugC/MVEB-test"  # Hub 仓库 id，或本地目录路径

query = load_dataset(repo, "Cars196_query", split="test")
candidate = load_dataset(repo, "Cars196_candidate", split="test")
media = load_dataset(repo, "Cars196_media", split="test")

print(query[0])
# {'id': '0', 'instance_id': '0', 'instruction': '...', 'text': '...',
#  'pos_ids': ['1', '2', ...], 'media_index': 0}
```

> **注意：** `load_dataset` 的第三个位置参数是 `data_dir` 而不是 `split`，请始终以关键字参数形式传入 `split="test"`。

### 图片解析

`query` 和 `candidate` parquet 中**不内嵌**图片，需要通过 `media_index` 解析：

```python
from datasets import load_dataset

repo = "HugC/MVEB-test"
query = load_dataset(repo, "Cars196_query", split="test")
media = load_dataset(repo, "Cars196_media", split="test")

row = query[0]
image = media[row["media_index"]]["image"]  # PIL.Image
```

### 字段结构（Schema）

**query.parquet**（典型字段）：

| 字段 | 类型 | 说明 |
|------|------|------|
| `id` | string | 查询样本 id |
| `instance_id` | string | 实例 id（部分子集没有该字段） |
| `instruction` | string | 系统指令 |
| `text` | string | 用户文本 |
| `pos_ids` | list[string] | 正例候选 id 列表 |
| `media_index` | int | 媒体池中的行索引 |

**candidate.parquet** —— 与 query 类似，通常没有 `pos_ids`。

**media-*.parquet** —— 包含 `image`、`video`、`audio` 三列。当前仅有图片；`video` 与 `audio` 为未来多模态扩展预留。

## `same_pool`

`same_pool` 是**子集级**标志，表示查询与候选是否共享**同一个候选池**：

| `same_pool` | 含义 | 评测注意事项 |
|-------------|------|-------------|
| `true` | 查询与候选共享同一媒体池；查询 `id` 通常在候选中有对应条目 | 检索时需要排除自身匹配（self-match） |
| `false` | 查询与候选来自不同集合（如 Inshop 的买家图 vs. 卖家图） | 无需排除自身匹配 |

该字段**不会**由 `load_dataset()` 自动加载，请在训练或评测配置中显式传入（见下表）。

### ID识别（Identity Recognition）

| 数据集 | same_pool |
|--------|:---------:|
| Cars196 | true |
| CompCars | true |
| Inshop | false |
| Rp2k | true |
| SOP | true |
| MET | true |
| GLDV2 | true |
| iNat | true |
| Product1m | false |
| ShopProduct | false |

### Re-ID（Re-Identification）

| 数据集 | same_pool |
|--------|:---------:|
| MS-Celeb-1M | true |
| iCartoonFace | true |
| DukeMTMC | true |
| IUST | true |
| VeRi776 | true |
| Market1501 | true |
| CaisiaFace | true |

### ID定位（Identity Grounding）

| 数据集 | same_pool |
|--------|:---------:|
| PIPA | false |
| MultiID | false |
| IDMR | false |
| WikiPerson | false |
| FORB | false |
| IDMROOD | false |

### ID编辑（Identity Editing）

| 数据集 | same_pool |
|--------|:---------:|
| GPTImageEdit | false |
| SEED_Multi_Turn | false |
| COCOEdit | false |
| SynCPR | false |
| OpenGPT4o | false |

## 重建受限子集

部分子集的原始数据受版权协议限制、不允许再分发，因此**未包含**在本仓库中，需要在本地重建：`CompCars`、`DukeMTMC`、`Inshop`、`IUST`、`MS-Celeb-1M`、`MultiID`、`Product1m`。

重建流水线位于 **train** 仓库（[HugC/MVEB-train](https://huggingface.co/datasets/HugC/MVEB-train) 的 `scripts/` 目录），一次运行会同时产出 train 和 test 两个划分的子集。如果只需要 test 划分，可以只拉取脚本（约 110 MB）而无需下载完整 train 仓库：

```bash
# 本仓库 + train 仓库中的脚本
huggingface-cli download HugC/MVEB-test  --repo-type dataset --local-dir MVEB-test
huggingface-cli download HugC/MVEB-train --repo-type dataset --local-dir MVEB-train --include "scripts/*"

# 重建出的 test 子集会写入 MVEB-test/<Subset>/
bash MVEB-train/scripts/run.sh
```

请务必在运行脚本**之前**先下载本仓库。环境依赖、环境变量与故障排查请参见 train 仓库 README 的 "Rebuilding Restricted Subsets" 章节。

## 引用

如果 MVEB 对您的研究有帮助，请引用：

```bibtex
@inproceedings{cao2026illuminating,
  title={Illuminating Visual Identity in Universal Multimodal Embeddings},
  author={Cao, Jiawei and Feng, Junyi and Hua, Jiashen and Huang, Ziheng and Deng, Bing and Wu, Kaijie and Gu, Chaochen and Ye, Jieping},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition},
  pages={8737--8748},
  year={2026}
}
```