/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
CC BY-NC 4.0
Архитектура
videomae · dense
Опубликована
16 апр 2023

videomae-small-finetuned-kinetics

Классификация видеоВидео → label6 профессий

Компактная VideoMAE-модель классифицирует видео по 400 категориям набора Kinetics-400, включая действия людей.

4 081скачиваний за 30 дней2лайкавеса 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-small-finetuned-kinetics — компактная модель классификации видео на основе VideoMAE, разработанная командой MCG-NJU и дообученная на размеченном наборе Kinetics-400 после 1600 эпох предварительного самообучения. Она использует архитектуру Transformer, близкую к Vision Transformer: видео разбивается на пространственные патчи размером 16×16, а представление токена CLS используется для классификации. Модель содержит 28,3 млн параметров и присваивает видео одну из 400 меток Kinetics-400.

Модель подходит для распознавания действий и других категорий, представленных в Kinetics-400, например для автоматической разметки видеоклипов и анализа видеоконтента. В описанной оценке она достигает точности top-1 79,0% и top-5 93,8% на тестовой выборке Kinetics-400. Карточка не приводит поддерживаемые языки, поскольку модель классифицирует видео, а не текст. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Сценарии применения

  • распознавание действий в видеоклипах
  • автоматическая классификация видео по категориям Kinetics-400
  • разметка видеоколлекций по содержанию
  • поиск видеозаписей по распознанному действию

Ограничения

Классификация ограничена 400 метками Kinetics-400 и может не подходить для действий и категорий вне этого набора. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VideoMAE (small-sized model, fine-tuned on Kinetics-400)

VideoMAE model pre-trained for 1600 epochs in a self-supervised way and fine-tuned in a supervised way on Kinetics-400. 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-small-finetuned-kinetics")
model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-small-finetuned-kinetics")

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 79.0 and a top-5 accuracy of 93.8 on the test set of Kinetics-400.

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
1bf2b82

0 моделей