/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
flan-t5-base
Библиотека
pytorch
Опубликована
8 окт 2026

tcam

Компьютерное зрениеВидео, текст → текст

TCAM анализирует видео без текстового запроса, обнаруживая события движения, описывая их с временными отметками и привязывая к траекториям объектов.

39скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

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

TCAM (Track and Caption Any Motion) — модель для обнаружения и описания движений в видео, опубликованная bishoygaloaa и связанная с проектом ostadabbas/TCAM-Track-and-Caption-Any-Motion. Она формирует временные подписи событий движения и связывает каждое событие с точечными траекториями объекта, который его выполняет; запрос о том, что искать, не требуется. Модель дообучена на google/flan-t5-base и использует PyTorch; веса представлены в формате safetensors.

TCAM предназначена для анализа коротких видеоклипов: она определяет, что движется, когда это происходит и где находится движущийся объект. README указывает, что за один вызов обрабатываются 16 кадров; для более длинных видео предлагается разделение на фрагменты. Для работы приведены требования к CUDA GPU и Python 3.10. Лицензия — CC BY-NC 4.0, допускающая использование с соблюдением атрибуции и некоммерческих условий.

Сценарии применения

  • создание временных подписей событий движения в видео
  • определение момента открытия и закрытия предметов
  • отслеживание движущегося объекта по точечным траекториям
  • локализация объектов, выполняющих движение
  • анализ коротких видеоклипов без заранее заданного запроса

Ограничения

За один вызов модель обрабатывает 16 кадров, поэтому длинные видео требуется делить на фрагменты. README описывает проверку на CUDA GPU с Python 3.10.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TCAM: Track and Caption Any Motion

Query-free motion discovery and description in videos. Code: ostadabbas/TCAM-Track-and-Caption-Any-Motion

TCAM drawer demo

Same drawer, opposite motions. TCAM tracks what moves and tells them apart: opening (orange, out) vs. closing (blue, in).

TCAM teaser

Give TCAM a video and it tells you what moves, when, and where: timestamped captions for each motion event, each grounded to the point tracks of the subject performing it. No query needed.

TCAM pipeline

Quick start

git lfs install
git clone https://huggingface.co/bishoygaloaa/tcam && cd tcam

pip install torch==2.3.1 torchvision==0.18.1 --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

python infer.py --video my_clip.mp4 --vis
=== my_clip.mp4
  [  0.00s -   4.20s] A boy is skating on a zebra crossing.
  [  4.68s -   7.52s] He is skating on a zebra crossing.
  -> tcam_out/my_clip.json

--vis also writes tcam_out/my_clip_vis.mp4, which overlays each event's grounded points on the video. The TCAM weights download automatically, and so does CoTracker3, from Meta's official facebook/cotracker3 repo.

Useful flags: --chunk_sec 10 for long videos, --start_sec/--end_sec for a segment, --sample --seed 1 for more varied event windows, --model <local dir> to run offline.

Python

from tcam import TCAMPipeline

pipe = TCAMPipeline.from_pretrained("bishoygaloaa/tcam")
res = pipe("my_clip.mp4")

for e in res.events:
    print(e.start_sec, e.end_sec, e.caption)
    xy = res.tracks[:, e.top_tracks(40)]   # grounded points, (16 frames, 40, 2), normalised

mask = res.masks(event=0)                  # (16, 224, 224) subject mask
res.save_json("my_clip.json")

Fine-tuning

Describe your videos in a train.json (times in seconds; box is optional and normalised to [0, 1]. Add it to also train grounding):

[{"video": "clips/drawer.mp4",
  "events": [{"start": 0.0, "end": 3.5, "caption": "a hand opens the drawer", "box": [0.2, 0.3, 0.8, 0.7]},
             {"start": 3.5, "end": 7.0, "caption": "the hand closes the drawer"}]}]
python finetune.py --data train.json --out_dir my_tcam --steps 1000
python infer.py --model my_tcam --video new_clip.mp4

This uses the same objective as the original training. Keep --lr low (default 2e-5).

Notes

  • TCAM reads 16 frames per call. Use --chunk_sec for anything longer than a short clip.
  • Grounding selects the subject's tracks; masks are drawn from those tracks.
  • Tested on a CUDA GPU with Python 3.10. Keep the pinned versions in requirements.txt.

License

Weights and code: CC BY-NC 4.0 (non-commercial). FLAN-T5, CLIP and CoTracker3 keep their own licenses.

Citation

@inproceedings{tcam2025,
  title={Track and Caption Any Motion: Query-Free Motion Discovery and Description in Videos},
  author={Bishoy Galoaa and Sarah Ostadabbas},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
5f7c81d

0 моделей