/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
19 авг 2026

person_reid_siglip2_naflex_512d

Эмбеддинги изображенийИзображение → embedding

Модель превращает изображения людей в 512-мерные векторы для поиска и сопоставления одного и того же человека между кадрами.

0скачиваний за 30 дней0лайковвеса обновлены19 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

apatc/person_reid_siglip2_naflex_512d — модель для повторной идентификации людей по изображениям, представленная в формате ONNX. Она принимает изображения с человеком при естественном соотношении сторон и преобразует их в векторы размером 512, нормированные по L2; сходство между изображениями можно оценивать скалярным произведением или косинусной близостью.

Модель предназначена для поиска одного и того же человека на кадрах с разных камер: например, для сопоставления запроса с галереей изображений. В README приведены результаты на трёх тестовых наборах, включая смешанную галерею и ENTIRe-ID; авторы сообщают, что проекция с исходных 768 измерений до 512 сохраняет 99,8% дисперсии эмбеддингов. Заявленные показатели относятся к протоколам и наборам, описанным в карточке, и не гарантируют такую же точность на других данных.

Для предобработки используются RGB, патч-токенизация с размером патча 16, билинейное масштабирование и нормализация со средним и стандартным отклонением 0,5; поддерживается до 256 патчей, минимальная сторона изображения — 32 пикселя, максимальное соотношение сторон — 5:1. Модель распространяется по лицензии Apache-2.0. README не называет базовую модель или разработчика помимо идентификатора репозитория.

Сценарии применения

  • поиск человека в галерее изображений по кадру с камеры
  • сопоставление изображений человека с разных камер наблюдения
  • построение векторного индекса для поиска людей по внешнему виду

Ограничения

Заявленные метрики измерены на указанных в README наборах и протоколах; результаты на других камерах и распределениях данных могут отличаться. Предобработка ограничивает изображения минимумом 32 пикселя по короткой стороне, соотношением сторон до 5:1 и максимумом 256 патчей.

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 256×128 resize.

Benchmarks

mAP / rank-1 under the standard re-ID protocol (gallery entries sharing both identity and camera with the query are dropped as junk; queries left with no true match are skipped). Best per row in bold.

benchmarkthis modelCLIP-ReID ViT-B/16NVIDIA ReID Transformer swin_baseFastReID BoT-R50
Real-camera surveillance set (200q / 598g)0.9230 / 0.97500.8169 / 0.89000.6808 / 0.75500.5861 / 0.6600
Mixed-domain gallery (600q / 13,980g)0.7949 / 0.91000.5858 / 0.75830.5139 / 0.63830.4257 / 0.5300
ENTIRe-ID0.3981 / 0.39030.3021 / 0.30990.1875 / 0.18990.1069 / 0.1116
Market-15010.7360 / 0.86940.7784 / 0.9026——
MSMT170.4681 / 0.71170.1503 / 0.3831——
VC-Clothes (clothes-changing)0.4756 / 0.68200.4838 / 0.6997——

Notes:

  • The real-camera surveillance set is an in-house benchmark of fixed-camera captures — the closest proxy to deployment conditions. On its 200 queries the top-1 match is wrong 5 times for this model and 22 times for CLIP-ReID.
  • The mixed-domain gallery pools three public test splits into one gallery, so most distractors are out-of-domain relative to any given query. It penalises models that collapse away from their home domain.
  • ENTIRe-ID is unseen by every model in the table.
  • FastReID BoT-R50 and NVIDIA ReID Transformer are the publicly released weights. The FastReID column uses the Market-trained release; its MSMT17-trained release scores 0.2197 / 0.2197 on ENTIRe-ID.
  • Table figures are measured at the model's native 768-d width. The published 512-d projection retains 99.8% of embedding variance and measures within noise: 0.9180 / 0.9700 on the real-camera set.

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. Guards: minimum side 32 px, aspect ratio capped at 5:1.

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
68a76aa

0 моделей