/ Модель

Характеристики

Параметры
403 млн
Архитектура
videomae · dense
Базовая модель
videomae-large
Библиотека
transformers
Опубликована
23 июл 2025

kandinsky-videomae-large-camera-motion

Классификация видеоВидео → label3 профессии

Дообученная VideoMAE Large определяет движения камеры и тип кадра по видеоклипам.

6 952скачиваний за 30 дней6лайковвеса обновлены23 июл 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

Это VideoMAE Large, дообученная командой ai-forever для многометочной классификации движения камеры и типа кадра на видео. Модель содержит 402,7 млн параметров и принимает видеоклип, равномерно выбирая из него 16 кадров; для каждого клипа она предсказывает метки движения камеры и типа кадра.

Модель распознаёт 18 категорий движения камеры, включая панорамирование, наклон, приближение и отдаление, а также статичную съёмку и неопределённое движение. Дополнительно она определяет три типа кадра: POV, shake и track. Предсказание относится ко всему клипу, а не к отдельным кадрам. Для роликов длиннее двух секунд рекомендуется классифицировать отдельные двухсекундные сегменты, поскольку обработка длинного видео целиком может пропустить смену движения. На внутреннем тестовом наборе двухсекундных видео точность составила 75%, или около 84% без учёта классов типов кадра. Лицензия в предоставленных данных не указана.

Сценарии применения

  • классификация движения камеры в коротких видеоклипах
  • определение панорамирования, наклона и зумирования
  • поиск статичных или неопределённых по движению кадров
  • разметка типа кадра как POV, shake или track
  • автоматическая разметка сегментов длинного видео

Ограничения

Модель предсказывает метки для всего клипа, а не движение на каждом кадре; длинные ролики рекомендуется разделять на сегменты по две секунды. На внутреннем тестовом наборе точность составляла 75%, или около 84% без классов POV, shake и track.

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

VideoMAE model(large) variant that has been finetuned for multi-label video classification (a video can belong to multiple classes simultaneously) for camera motion classification on internal dataset.

The model predicts 18 different camera motion 'arc_left', 'arc_right', 'dolly_in', 'dolly_out', 'pan_left', 'pan_right', 'pedestal_down', 'pedestal_up', 'roll_left', 'roll_right', 'static', 'tilt_down', 'tilt_up', 'truck_left', 'truck_right', 'undefined', 'zoom_in', 'zoom_out' and and 3 shot type classes: 'pov', 'shake', 'track' .

Model was trained to associate entire video with camera labels, not frame-level motions(!): [input video] -> label/labels (because multilabel) for all video. So, if this camera motion exists during all video frames model should predict this motion, otherwise it should predict undefined.

The model is configured to process config.num_frames=16 frames per input clip. These frames are extracted uniformly from the input video, regardless of its original duration. For videos longer than 2 seconds, processing the entire video as a single clip may miss temporal nuances (e.g., varying camera motions). So, recommended workflow for such videos will be follows:

(a) split the video into non-overlapping 2-second segments (or sliding windows with optional overlap).

(b) run inference independently on each segment.

(c) post-process results.

Model accurucy on internal test dataset of 2s videos is 75%, ignoring 'pov', 'shake', 'track' classes ~- 84%.

Inference example can be found here

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
3e9a74f

0 моделей