/ Модель

Характеристики

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

timesformer-hr-finetuned-ssv2

Классификация видеоВидео → label3 профессии

TimeSformer с высоким разрешением, дообученный на Something Something v2 для классификации видео по 174 категориям действий.

94скачиваний за 30 дней2лайкавеса 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

TimeSformer — видеомодель семейства Transformer, разработанная командой Facebook и представленная в работе «TimeSformer: Is Space-Time Attention All You Need for Video Understanding?»; эта версия использует вариант с высоким разрешением и дообучена для классификации действий на наборе Something Something v2. Модель содержит 113,2 млн параметров и выдаёт один из 174 классов действий.

Она предназначена для классификации видеоклипов, в частности для распознавания действий и взаимодействий с предметами, представленных в категориях Something Something v2. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение. В карточке нет сведений о конкретном размере входного видео или поддерживаемых естественных языках.

Сценарии применения

  • распознавание действий в видеоклипах
  • классификация взаимодействий человека с предметами
  • автоматическая разметка видео по классам Something Something v2

Ограничения

Модель рассчитана на 174 категории Something Something v2, поэтому её классы ограничены этой схемой разметки. 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 (high-resolution variant, 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(16, 3, 448, 448))

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

inputs = feature_extractor(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
fea74bf

0 моделей