Характеристики

Параметры: 113 млн
Лицензия: CC BY-NC 4.0
Архитектура: videomae · dense
Базовая модель: videomae-base
Библиотека: transformers
Опубликована: 26 ноя 2025

Ссылки

Hugging Face

VideoMAE_base_wlasl100_200epoch_Signers

Shawon16

Классификация видеоВидео → label

Дообученная VideoMAE-base для классификации видеоклипов, показавшая низкую точность на указанной оценочной выборке.

13скачиваний за 30 дней0лайковвеса обновлены27 ноя 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

VideoMAE-base, дообученная модель для классификации видео. Она основана на MCG-NJU/videomae-base и содержит 113,2 млн параметров; веса опубликованы в формате safetensors. Модель предназначена для классификации видеоклипов, но сведения о наборе классов и обучающих данных отсутствуют.

На оценочной выборке указаны loss 4,6129 и accuracy 0,0148, что свидетельствует о низком качестве на приведённой оценке. Модель распространяется по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование.

Сценарии применения

экспериментальная классификация видеоклипов
оценка VideoMAE на задачах распознавания видео
дообучение для классификации видео под собственные классы

Ограничения

В README приведена точность 0,0148 на оценочной выборке; набор данных и классы не описаны, поэтому пригодность для конкретного сценария не подтверждена. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VideoMAE_base_wlasl100_200epoch_Signers

This model is a fine-tuned version of MCG-NJU/videomae-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 4.6129
Accuracy: 0.0148

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 2
eval_batch_size: 2
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 8
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
training_steps: 180
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
18.663	1.0	180	4.6129	0.0148

Framework versions

Transformers 4.46.1
Pytorch 2.5.1+cu124
Datasets 3.1.0
Tokenizers 0.20.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: VideoMAEForVideoClassification
Ревизия весов: dac86eb