salather/hahaton

Vehicle ReID — ЛЦТ-2026 Track 7

Чекпоинты для сервиса ре-идентификации транспортных средств (cross-camera matching без использования госномеров).

Чекпоинты

Файл	Backbone	Dim	Train	Val mAP	+k-reciprocal	R1	TNR@thr	Назначение
best_vitl16_hflip_448.pth	DINOv3 ViT-L/16 (304M)	1024	60 ep @448 +hflip-aug, A100	0.8143	0.8481 (flip TTA, k1=20/k2=10/lam=0.5)	0.8382	0.822@0.558	production
best_vitl16_e60_448.pth	DINOv3 ViT-L/16 (304M)	1024	60 ep @448, A100	0.8091	0.8396	0.8260	0.892@0.598	предыдущий прод
best_vitl16_448.pth	DINOv3 ViT-L/16 (304M)	1024	30 ep @448, A100	0.8049	0.8392	0.8248	0.832@0.568	архив
best_vitb16_e60_448.pth	DINOv3 ViT-B/16 (86M)	768	60 ep @448, A100	0.7563	0.7934 (k1=20/k2=6/lam=0.6)	0.7846	0.724	лёгкий фолбэк (~4x быстрее)

Метрики — на внутреннем val split (1718 queries, cross-camera протокол: same-image и same-camera совпадения исключены). Refusal: ViT-L hflip F1=0.980, PR-AUC=0.9985 при threshold 0.558.

Артефакты сервиса

Файл	Назначение
gallery.faiss + gallery.json	FAISS-индекс прод-галереи (750 ТС, dim 1024, построен с flip TTA на hflip-модели)

Использование

from huggingface_hub import hf_hub_download
from vehicle_reid.models.model import VehicleReIDModel

path = hf_hub_download("salather/hahaton", "best_vitl16_hflip_448.pth")
model = VehicleReIDModel.load(path, device="cuda", freeze_backbone=True, num_classes=0)

Положить файл в weights/; configs/inference.yaml уже смотрит на weights/best_vitl16_hflip_448.pth. Для ViT-B поменять model.checkpoint на weights/best_vitb16_e60_448.pth (backbone/dim подхватятся из чекпоинта).

Код: SourceCraft satushkin35/hahathon-lct-intilectualy, ветка beta.