/ Модель

Характеристики

Архитектура
vision-encoder-decoder · dense
Базовая модель
timesformer-base-finetuned-k600
Опубликована
21 апр 2023

SpaceTimeGPT

Компьютерное зрениеВидео, текст → текст4 профессии

SpaceTimeGPT анализирует кадры видео и генерирует на английском языке краткое описание происходящих событий.

40скачиваний за 30 дней32лайкавеса обновлены2 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

SpaceTimeGPT — модель генерации описаний видео, построенная на архитектуре vision-encoder-decoder. Визуальный энкодер TimeSformer, предварительно обученный на классификации видео Kinetics-600, анализирует восемь кадров, выбранных из входного видео; декодер GPT-2 авторегрессионно формирует описание на естественном языке. Компоненты объединены перекрёстным вниманием и дообучены сквозным образом для создания видеоподписей.

Модель предназначена для автоматического описания событий в видео с учётом пространственной и временной информации. В карточке указан набор данных VATEX и английский язык. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не приведена.

Сценарии применения

  • создание текстовых подписей к видеороликам
  • краткое описание действий в видео
  • индексация видеотеки по содержанию
  • подготовка текстовых описаний для видеокаталога

Ограничения

Модель анализирует восемь выбранных кадров, поэтому события между ними могут быть пропущены. Качество и применимые условия использования зависят от обучающих данных; лицензия в доступных сведениях не указана.

Для каких профессий подходит4

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

SpaceTimeGPT is a video description generation model capable of spatial and temporal reasoning. Given a video, eight frames are sampled and analyzed by the model. The output is a sentence description of the events that occured in the video, generated using autoregression.

Architecture and Training

Vision Encoder: timesformer-base-finetuned-k600
Text Decoder: gpt2

The encoder and decoder are initialized using pretrained weights for video classification and sentence completion, respectively. Encoder-decoder cross attention is used to unify the visual and linguistic domains. The model is fine-tuned end-to-end on the video captioning task. See GitHub repository for details.

Example Inference Code:

import av
import numpy as np
import torch
from transformers import AutoImageProcessor, AutoTokenizer, VisionEncoderDecoderModel

device = "cuda" if torch.cuda.is_available() else "cpu"

# load pretrained processor, tokenizer, and model
image_processor = AutoImageProcessor.from_pretrained("MCG-NJU/videomae-base")
tokenizer = AutoTokenizer.from_pretrained("gpt2")
model = VisionEncoderDecoderModel.from_pretrained("Neleac/timesformer-gpt2-video-captioning").to(device)

# load video
video_path = "never_gonna_give_you_up.mp4"
container = av.open(video_path)

# extract evenly spaced frames from video
seg_len = container.streams.video[0].frames
clip_len = model.config.encoder.num_frames
indices = set(np.linspace(0, seg_len, num=clip_len, endpoint=False).astype(np.int64))
frames = []
container.seek(0)
for i, frame in enumerate(container.decode(video=0)):
    if i in indices:
        frames.append(frame.to_ndarray(format="rgb24"))

# generate caption
gen_kwargs = {
    "min_length": 10, 
    "max_length": 20, 
    "num_beams": 8,
}
pixel_values = image_processor(frames, return_tensors="pt").pixel_values.to(device)
tokens = model.generate(pixel_values, **gen_kwargs)
caption = tokenizer.batch_decode(tokens, skip_special_tokens=True)[0]
print(caption) # A man and a woman are dancing on a stage in front of a mirror.

Author Information:

👾 Discord
🐙 GitHub
🤝 LinkedIn

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
VisionEncoderDecoderModel
Ревизия весов
8c86e51

0 моделей