/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
videomae · dense
Опубликована
2 авг 2022

videomae-base-finetuned-ssv2

Классификация видеоВидео → label3 профессии

VideoMAE — видеомодель на архитектуре Transformer для классификации действий и событий в роликах.

3 026скачиваний за 30 дней7лайковвеса обновлены22 апр 2023

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

MCG-NJU/videomae-base-finetuned-ssv2 — базовая модель VideoMAE, представленная авторами VideoMAE и дообученная с учителем на наборе Something-Something-v2 после 2400 эпох предварительного самообучения. Архитектура основана на Vision Transformer: видео разбивается на патчи размером 16×16, а Transformer-энкодер формирует представление всего видеоролика для классификации. Размер модели — 113,2 млн параметров; веса опубликованы в формате PyTorch.

Модель предназначена для классификации видеороликов по действиям и визуальным событиям. Она показывает точность top-1 70,6% и top-5 92,6% на тестовой части Something-Something-v2. Карточка также упоминает 400 меток Kinetics-400 для использования исходной модели; указанный чекпойнт дообучен на Something-Something-v2. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Сценарии применения

  • классификация действий в коротких видеороликах
  • распознавание взаимодействий с предметами в видео
  • автоматическая категоризация видеоклипов
  • извлечение признаков видео для обучения классификатора

Ограничения

Модель дообучена на Something-Something-v2, поэтому её классификация ориентирована на классы этого набора данных и может хуже работать на отличающихся доменах. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VideoMAE (base-sized model, fine-tuned on Something-Something-v2)

VideoMAE model pre-trained for 2400 epochs in a self-supervised way and fine-tuned in a supervised way on Something-Something-v2. It was introduced in the paper VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training by Tong et al. and first released in this repository.

Disclaimer: The team releasing VideoMAE did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

VideoMAE is an extension of Masked Autoencoders (MAE) to video. The architecture of the model is very similar to that of a standard Vision Transformer (ViT), with a decoder on top for predicting pixel values for masked patches.

Videos are presented to the model as a sequence of fixed-size patches (resolution 16x16), which are linearly embedded. One also adds a [CLS] token to the beginning of a sequence to use it for classification tasks. One also adds fixed sinus/cosinus position embeddings before feeding the sequence to the layers of the Transformer encoder.

By pre-training the model, it learns an inner representation of videos that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled videos for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder. One typically places a linear layer on top of the [CLS] token, as the last hidden state of this token can be seen as a representation of an entire video.

Intended uses & limitations

You can use the raw model for video classification into one of the 400 possible Kinetics-400 labels.

How to use

Here is how to use this model to classify a video:

from transformers import VideoMAEImageProcessor, VideoMAEForVideoClassification
import numpy as np
import torch

video = list(np.random.randn(16, 3, 224, 224))

processor = VideoMAEImageProcessor.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-finetuned-ssv2")

inputs = processor(video, return_tensors="pt")

with torch.no_grad():
  outputs = model(**inputs)
  logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

For more code examples, we refer to the documentation.

Training data

(to do, feel free to open a PR)

Training procedure

Preprocessing

(to do, feel free to open a PR)

Pretraining

(to do, feel free to open a PR)

Evaluation results

This model obtains a top-1 accuracy of 70.6 and a top-5 accuracy of 92.6 on the test set of Something-Something-v2.

BibTeX entry and citation info

misc{https://doi.org/10.48550/arxiv.2203.12602,
  doi = {10.48550/ARXIV.2203.12602},
  url = {https://arxiv.org/abs/2203.12602},
  author = {Tong, Zhan and Song, Yibing and Wang, Jue and Wang, Limin},
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  title = {VideoMAE: Masked Autoencoders are Data-Efficient Learners for Self-Supervised Video Pre-Training},
  publisher = {arXiv},
  year = {2022},
  copyright = {Creative Commons Attribution 4.0 International}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · video-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
VideoMAEForVideoClassification
Ревизия весов
e3f23b7

0 моделей