/ Модель

Характеристики

Параметры
113 млн
Лицензия
CC BY-NC 4.0
Архитектура
timesformer · dense
Опубликована
7 окт 2022

timesformer-base-finetuned-ssv2

Классификация видеоВидео → label3 профессии

Модель TimeSformer классифицирует видео по 174 категориям действий датасета Something-Something v2.

497скачиваний за 30 дней3лайкавеса обновлены12 дек 2022

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

facebook/timesformer-base-finetuned-ssv2 — видеомодель семейства TimeSformer, опубликованная командой Facebook и дообученная для классификации видео на датасете Something-Something v2. Она относит видео к одной из 174 категорий действий и подходит для распознавания действий в коротких видеороликах. Архитектура — TimesformerForVideoClassification; модель содержит 113,2 млн параметров и распространяется в формате PyTorch.

Модель принимает видео и выдаёт метку класса. Карточка не приводит сведений о языковой поддержке или длине контекста. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Сценарии применения

  • классификация действий в коротких видео
  • распознавание взаимодействий с предметами в видео
  • автоматическая разметка видеороликов по категориям действий

Ограничения

Модель ориентирована на 174 категории Something-Something v2, поэтому её метки и качество за пределами этого набора классов могут быть ограничены. Лицензия CC BY-NC 4.0 не допускает коммерческого использования.

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

TimeSformer (base-sized model, fine-tuned on Something Something v2)

TimeSformer model pre-trained on Something Something v2. It was introduced in the paper TimeSformer: Is Space-Time Attention All You Need for Video Understanding? by Tong et al. and first released in this repository.

Disclaimer: The team releasing TimeSformer did not write a model card for this model so this model card has been written by fcakyon.

Intended uses & limitations

You can use the raw model for video classification into one of the 174 possible Something Something v2 labels.

How to use

Here is how to use this model to classify a video:

from transformers import AutoImageProcessor, TimesformerForVideoClassification
import numpy as np
import torch

video = list(np.random.randn(8, 3, 224, 224))

processor = AutoImageProcessor.from_pretrained("facebook/timesformer-base-finetuned-ssv2")
model = TimesformerForVideoClassification.from_pretrained("facebook/timesformer-base-finetuned-ssv2")

inputs = processor(images=video, return_tensors="pt")

with torch.no_grad():
  outputs = model(**inputs)
  logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

For more code examples, we refer to the documentation.

BibTeX entry and citation info

@inproceedings{bertasius2021space,
  title={Is Space-Time Attention All You Need for Video Understanding?},
  author={Bertasius, Gedas and Wang, Heng and Torresani, Lorenzo},
  booktitle={International Conference on Machine Learning},
  pages={813--824},
  year={2021},
  organization={PMLR}
}

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
TimesformerForVideoClassification
Ревизия весов
3b04527

0 моделей