К содержимому
Другое

OSNet-AIN x1.0 (MSMT17) ONNX

распознавание людей между камерами без PyTorch

2 мин чтенияобновлено

Эта модель решает задачу Person Re-Identification (повторной идентификации человека на разных кадрах и камерах). Вы подаёте на вход обрезанное изображение человека, а на выходе получаете вектор признаков (эмбеддинг) из 512 чисел — у одного и того же человека с разных ракурсов эти векторы будут максимально близки по косинусному сходству. В основе лежит известная архитектура OSNet-AIN x1.0 от Kaiyang Zhou и соавторов, обученная на датасете MSMT17 и переупакованная автором репозитория mprib в единый ONNX-файл. Главное отличие от оригинала — полная независимость от тяжелого фреймворка PyTorch, что делает модель удобной для лёгких продакшн-пайплайнов, трекинга и систем видеоаналитики.

Ключевые особенности

  • Компактный размер: весь файл весит всего 8.7 МБ в формате fp32 со встроенными весами без внешних файлов данных.
  • Гибкий батч: модель принимает динамическое количество изображений за один проход в разрешении 128×256 пикселей.
  • Высокая точность конвертации: выходные эмбеддинги совпадают с оригинальной версией на PyTorch с погрешностью не более 5e-5.
  • Свободная лицензия MIT: модель и оригинальные веса можно свободно использовать в любых проектах.

Что можно сделать

  • Настроить межкамерный трекинг людей (cross-camera track association), как это сделано в проекте Caliscope, для которого и создавался этот экспорт.
  • Встроить поиск и сопоставление людей в видеопотоке на периферийных устройствах или серверах через ONNX Runtime без установки PyTorch.

Пример

Подайте на вход тензор (N, 3, 256, 128) формата float32 (RGB-изображения, масштабированные в диапазон [0, 1] и нормализованные со средним (0.485, 0.456, 0.406) и стандартным отклонением (0.229, 0.224, 0.225)). На выходе вы получите матрицу (N, 512) — нормализуйте каждую строку перед расчётом косинусного сходства между кадрами.

ПодробнееФормат: ONNX opset 17, точность fp32, размер 8.7 МБ.
Вход: тензор (N, 3, 256, 128) с билинейной интерполяцией.
Обучение оригинала: веса из Torchreid (датасет MSMT17, 50 эпох).
Ограничения: выходные векторы не имеют единичной длины — требуется L2-нормализация перед сравнением.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # mprib/osnet-ain-x1-0-msmt17-onnx
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download mprib/osnet-ain-x1-0-msmt17-onnx --local-dir ~/models/osnet-ain-x1-0-msmt17-onnx
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к osnet-ain-x1-0-msmt17-onnx
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии osnet-ain-x1-0-msmt17-onnx — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

mprib/osnet-ain-x1-0-msmt17-onnx
Автор
mprib
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

VoxScout

VoxScout