/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
timesformer · dense
Опубликована
10 авг 2025

streamformer-timesformer

Классификация видеоВидео → label3 профессии

StreamFormer — видеомодель на базе TimesFormer для кодирования потокового видео и задач классификации и анализа видеопоследовательностей.

35скачиваний за 30 дней5лайковвеса обновлены10 авг 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

StreamFormer — базовая модель видеопредставлений, впервые опубликованная в этом репозитории и представленная в статье Learning Streaming Video Representation via Multitask Training. Архитектура TimesFormer содержит около 113,2 млн параметров; веса доступны в формате safetensors.

Модель кодирует потоковое видео и предварительно обучена на глобальном, временном и пространственном уровнях. Её используют как основу для онлайн-детектирования действий, сегментации видеоэкземпляров и ответов на вопросы о видео. В метаданных Hugging Face основная задача указана как video-classification.

Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. README не содержит сведений о поддерживаемых языках или численном ограничении на длительность входного видео.

Сценарии применения

  • классификация видеоклипов
  • онлайн-детектирование действий в видеопотоке
  • онлайн-сегментация объектов в видео
  • извлечение пространственных и временных признаков видео
  • подготовка видеопредставлений для ответов на вопросы о видео

Ограничения

Для ответов на вопросы о видео и сегментации экземпляров README описывает модель как backbone для downstream-приложений, а не как готовое самостоятельное решение этих задач. Коммерческое использование ограничено лицензией CC-BY-NC-4.0.

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

StreamFormer (base-sized model)

StreamFormer backbone model pre-trained on Global-, Temporal- and Spatial- granularities. It was introduced in the paper Learning Streaming Video Representation via Multitask Training and first released in this repository.

Intended uses & limitations

StreamFormer is a streaming video representation backbone that encodes a stream of video input. It is designed for multiple downstream applications like Online Action Detection, Online Video Instance Segmentation and Video Question Answering.

Installation

git clone https://github.com/Go2Heart/StreamFormer.git
cd StreamFormer
conda create -n streamformer python=3.10
conda activate streamformer
conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 pytorch-cuda=12.4 -c pytorch -c nvidia
pip install -r requirements.txt

How to use

How to get the multi-granularity feature:

from models import TimesformerMultiTaskingModelSigLIP
import torch
model = TimesformerMultiTaskingModelSigLIP.from_pretrained("StreamFormer/streamformer-timesformer").eval()
with torch.no_grad():
    fake_frames = torch.randn(1, 16, 3, 224, 224)
    fake_frames = fake_frames.to(model.device)
    output = model(fake_frames)
    # global representation [B, D]
    print(output.pooler_output[:,-1].shape, output.pooler_output[:,-1])
    
    # temporal representation [B, T, D]
    print(output.pooler_output.shape, output.pooler_output)
    
    # spatial representation [B, T, HxW, D]
    print(output.last_hidden_state.shape, output.last_hidden_state)

BibTeX entry and citation info

@misc{yan2025learning,
        title={Learning Streaming Video Representation via Multitask Training},
        author={Yibin Yan and Jilan Xu and Shangzhe Di and Yikun Liu and Yudi Shi and Qirui Chen and Zeqian Li and Yifei Huang and Weidi Xie},
        year={2025},
        eprint={2504.20041},
        archivePrefix={arXiv},
        primaryClass={cs.CV}
}

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
TimesformerMultiTaskingModelSigLIP
Ревизия весов
0950e17

0 моделей