/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
videomae · dense
Базовая модель
videomae-base
Опубликована
1 июн 2025

videomae-crime-detector-maxdata-v1

Классификация видеоВидео → label3 профессии

VideoMAE, дообученная для определения насильственных преступлений в коротких видеоклипах с выдачей одной из двух меток.

40скачиваний за 30 дней1лайквеса обновлены1 июн 2025

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

Nikeytas/Videomae Crime Detector Maxdata V1 — видеомодель, разработанная исследовательской командой и дообученная на подмножестве UCF Crime для бинарной классификации видеоклипов: она определяет наличие насильственного преступления или относит эпизод к ненасильственным инцидентам. В основе лежит VideoMAE — видеотрансформер ViT для анализа последовательностей кадров; модель содержит 113,2 млн параметров и принимает клип из 16 кадров с разрешением 224×224 пикселя на кадр. Результат — одна из двух меток классов.

Модель предназначена для анализа видеозаписей, исследований компьютерного зрения и вспомогательного анализа системами безопасности при проверке человеком. В тестовой выборке из 120 видео точность и F1 составили около 0,675; датасет обучения включал 600 видео с равным числом примеров двух классов. Лицензия — MIT.

Модель может пропускать контекст событий за пределами 16 кадров и хуже работать при отличающихся условиях съёмки или типах насилия, которых мало в обучающих данных. Возможны ложные срабатывания на интенсивные ненасильственные сцены, например спорт или боевики; результаты не следует использовать как единственное основание для критических решений.

Сценарии применения

  • классификация видеоклипа как насильственного или ненасильственного
  • первичный анализ видеозаписей для систем безопасности с проверкой оператором
  • оценка моделей распознавания событий на видео
  • учебные эксперименты по видеоклассификации

Ограничения

На тестовой выборке точность и F1 составили около 0,675; результаты могут ухудшаться на видеозаписях с иными условиями съёмки или типами событий. Короткий клип из 16 кадров ограничивает временной контекст, а спорт и сцены боевиков могут вызывать ложные срабатывания.

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

Nikeytas/Videomae Crime Detector Maxdata V1

This model is a fine-tuned version of MCG-NJU/videomae-base on the UCF Crime dataset with event-based binary classification. It achieves the following results on the evaluation set:

  • Loss: 0.8405
  • Accuracy: 0.7292
  • Precision: 0.7289
  • Recall: 0.7292
  • F1 Score: 0.7287

🎯 Model Overview

This VideoMAE model has been fine-tuned for binary violence detection in video content. The model classifies videos into two categories:

  • Violent Crime (1): Videos containing violent criminal activities
  • Non-Violent Incident (0): Videos with non-violent or normal activities

The model is based on the VideoMAE architecture and has been specifically trained on a curated subset of the UCF Crime dataset with event-based categorization for realistic crime detection scenarios.

📊 Dataset & Training

Dataset Composition

Total Videos: 600

  • Violent Crime Videos: 300
  • Non-Violent Incident Videos: 300

Class Balance: 50.0% violent crimes

Event Distribution:

  • Abuse: 28 videos
  • Arrest: 18 videos
  • Arson: 16 videos
  • Assault: 62 videos
  • Burglary: 120 videos
  • Explosion: 54 videos
  • Fighting: 48 videos
  • RoadAccidents: 58 videos
  • Robbery: 184 videos
  • Shoplifting: 36 videos
  • Stealing: 46 videos
  • Vandalism: 72 videos

Data Splits:

  • Training: 384 videos
  • Validation: 96 videos
  • Test: 120 videos

🎯 Performance

Performance Metrics

Validation Performance:

  • eval_loss: 0.8405
  • eval_accuracy: 0.7292
  • eval_precision: 0.7289
  • eval_recall: 0.7292
  • eval_f1: 0.7287
  • eval_runtime: 11.5149
  • eval_samples_per_second: 8.3370
  • eval_steps_per_second: 4.1690
  • epoch: 8.0000

Test Performance:

  • eval_loss: 0.8573
  • eval_accuracy: 0.6750
  • eval_precision: 0.6749
  • eval_recall: 0.6750
  • eval_f1: 0.6749
  • eval_runtime: 13.8665
  • eval_samples_per_second: 8.6540
  • eval_steps_per_second: 4.3270
  • epoch: 8.0000

Training Information:

  • Training Time: 33.7 minutes
  • Best Accuracy Achieved: 0.7292
  • Model Architecture: VideoMAE Base (fine-tuned)
  • Fine-tuning Approach: Event-based binary classification

🚀 Training Procedure

Training Hyperparameters

The following hyperparameters were used during training:

  • Learning Rate: 5e-05
  • Train Batch Size: 2
  • Eval Batch Size: 2
  • Optimizer: AdamW with betas=(0.9,0.999) and epsilon=1e-08
  • LR Scheduler Type: Linear
  • Training Epochs: 8
  • Weight Decay: 0.01

Training Results

Training LossEpochStepValidation LossAccuracy
0.72916666666666668.00N/A0.84050.7292

Framework Versions

  • Transformers: 4.30.2+
  • PyTorch: 2.0.1+
  • Datasets: Latest
  • Device: Apple Silicon MPS / CUDA / CPU (Auto-detected)

🚀 Quick Start

Installation

pip install transformers torch torchvision opencv-python pillow

Basic Usage

import torch
from transformers import AutoModelForVideoClassification, AutoProcessor
import cv2
import numpy as np

# Load model and processor
model = AutoModelForVideoClassification.from_pretrained("Nikeytas/videomae-crime-detector-maxdata-v1")
processor = AutoProcessor.from_pretrained("Nikeytas/videomae-crime-detector-maxdata-v1")

# Process video
def classify_video(video_path, num_frames=16):
    # Extract frames
    cap = cv2.VideoCapture(video_path)
    frames = []
    
    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    indices = np.linspace(0, total_frames - 1, num_frames, dtype=int)
    
    for idx in indices:
        cap.set(cv2.CAP_PROP_POS_FRAMES, idx)
        ret, frame = cap.read()
        if ret:
            frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
            frames.append(frame_rgb)
    
    cap.release()
    
    # Process with model
    inputs = processor(frames, return_tensors="pt")
    
    with torch.no_grad():
        outputs = model(**inputs)
        predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
        predicted_class = torch.argmax(predictions, dim=-1).item()
        confidence = predictions[0][predicted_class].item()
    
    label = "Violent Crime" if predicted_class == 1 else "Non-Violent"
    return label, confidence

# Example usage
video_path = "path/to/your/video.mp4"
prediction, confidence = classify_video(video_path)
print(f"Prediction: {prediction} (Confidence: {confidence:.3f})")

Batch Processing

import os
from pathlib import Path

def process_video_directory(video_dir, output_file="results.txt"):
    results = []
    
    for video_file in Path(video_dir).glob("*.mp4"):
        try:
            prediction, confidence = classify_video(str(video_file))
            results.append({
                "file": video_file.name,
                "prediction": prediction,
                "confidence": confidence
            })
            print(f"✅ {video_file.name}: {prediction} ({confidence:.3f})")
        except Exception as e:
            print(f"❌ Error processing {video_file.name}: {e}")
    
    # Save results
    with open(output_file, "w") as f:
        for result in results:
            f.write(f"{result['file']}: {result['prediction']} ({result['confidence']:.3f})\n")
    
    return results

# Process all videos in a directory
results = process_video_directory("./videos/")

📈 Technical Specifications

  • Base Model: MCG-NJU/videomae-base
  • Architecture: Vision Transformer (ViT) adapted for video
  • Input Resolution: 224x224 pixels per frame
  • Temporal Resolution: 16 frames per video clip
  • Output Classes: 2 (Binary classification)
  • Training Framework: HuggingFace Transformers
  • Optimization: AdamW optimizer with learning rate 5e-5

⚠️ Limitations

  1. Dataset Scope: Trained on a subset of UCF Crime dataset - may not generalize to all types of violence
  2. Temporal Context: Uses 16-frame clips which may miss context in longer sequences
  3. Environmental Bias: Performance may vary with different lighting, camera angles, and video quality
  4. False Positives: May misclassify intense but non-violent activities (sports, action movies)
  5. Real-time Performance: Processing time depends on hardware capabilities

🔒 Ethical Considerations

Intended Use

  • Primary: Research and development in video analysis
  • Secondary: Security system enhancement with human oversight
  • Educational: Computer vision and AI safety research

Prohibited Uses

  • Surveillance without consent: Do not use for unauthorized monitoring
  • Discriminatory profiling: Avoid bias against specific groups or communities
  • Automated punishment: Never use for automated legal or disciplinary actions
  • Privacy violation: Respect privacy laws and individual rights

Bias and Fairness

  • Model trained on specific dataset that may not represent all populations
  • Regular evaluation needed for bias detection and mitigation
  • Human oversight required for critical applications
  • Consider demographic representation in deployment scenarios

📝 Model Card Information

  • Developed by: Research Team
  • Model Type: Video Classification (Binary)
  • Training Data: UCF Crime Dataset (Subset)
  • Training Date: 2025-06-02 00:28:28 UTC
  • Evaluation Metrics: Accuracy, Precision, Recall, F1-Score
  • Intended Users: Researchers, Security Professionals, Developers

📚 Citation

If you use this model in your research, please cite:

@misc{Nikeytas_videomae_crime_detector_maxdata_v1,
    title={VideoMAE Fine-tuned for Crime Detection},
    author={Research Team},
    year={2024},
    publisher={Hugging Face},
    url={https://huggingface.co/Nikeytas/videomae-crime-detector-maxdata-v1}
}

🤝 Contributing

We welcome contributions to improve the model! Please:

  1. Report issues with specific examples
  2. Suggest improvements for bias reduction
  3. Share evaluation results on new datasets
  4. Contribute to documentation and examples

📞 Contact

For questions, issues, or collaboration opportunities, please open an issue in the model repository or contact the development team.


Last updated: 2025-06-02 00:28:28 UTC Model version: 1.0 Framework: HuggingFace Transformers

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
5af83d1

0 моделей