RSTPReid steht für Real Scenario Text-based Person Re-identification und enthält 20.505 Bilder von 4.101 Personen von 15 Kameras. Jede Person verfügt über 5 entsprechende Bilder, die von verschiedenen Kameras mit komplexen Szenenübergängen im Innen- und Außenbereich sowie Hintergründen aus verschiedenen Zeiträumen aufgenommen wurden, wodurch RSTPReid anspruchsvoller und besser an reale Szenen anpassbar wird.

Jedes Bild ist mit 2 Textbeschreibungen versehen. Zur Partitionierung der Daten wurden 3.701, 200 und 200 Identitäten jeweils für Training, Validierung und Test verwendet. Jeder Satz sollte mindestens 23 Wörter umfassen.