фалькон тех это тз которое нужно сделать. У нас ес...

Готово. Я связал sub.py и app.py в один реальный пайплайн.

В исходном app.py эмбеддинг вычислялся, но дальше вообще не использовался — результаты брались из MOCK_GALLERY. (app.py) (app.py) При этом sub.py уже формировал настоящий embeddings.npy из query + gallery. (sub.py) Теперь сервер берет именно эти векторы и делает cosine similarity по реальной галерее.

Также добавил BBox, Top-K и настоящий режим отказа, как требуется в ТЗ: изображение + BBox → эмбеддинг → векторный поиск → сортировка → Top-N либо отказ. (7. Фалькон Тех.pdf)

Файлы:

[Скачать готовый app.py]

Скачать готовый sub.py

Скачать оба скрипта ZIP

Важный момент: новый sub.py нужно запустить ещё один раз:

bash
python sub.py

Теперь он создаст не только обязательные embeddings.npy, submission.csv и candidates.csv, которые требуются заданием, (README.md) но и runtime_weights.pth — точное состояние нейронки, которой были получены эмбеддинги.

Это необходимо, потому что в старой версии sub.py и app.py отдельно создавали VehicleReIDNet, включая случайно инициализированный слой fc. Если weights.pth отсутствовал, два процесса фактически могли работать в разных пространствах эмбеддингов. (sub.py)

После sub.py запускайте сервер:

bash
uvicorn app:app --host 0.0.0.0 --port 8000

И открывайте:

text
http://localhost:8000

Теперь схема такая:

text
sub.py
   ↓
runtime_weights.pth
embeddings.npy
test_gallery.csv
   ↓
app.py
   ↓
загруженное фото + BBox
   ↓
та же нейросеть
   ↓
512d embedding
   ↓
cosine similarity с реальными gallery embeddings
   ↓
Top-K / REFUSAL

Дополнительно я убрал фейковые машины и Unsplash из интерфейса: app.py показывает настоящие изображения из вашей папки images/. Веб-интерфейс также теперь работает без Tailwind/CDN, то есть ему не нужен интернет. Это полезно с учетом требования ТЗ о воспроизводимом изолированном запуске без доступа в интернет. (7. Фалькон Тех.pdf)

Синтаксис обоих скриптов проверен через py_compile; оба модуля импортируются корректно.