/ Модель

Характеристики

Параметры
1,3 млрд
Лицензия
MIT
Архитектура
vjepa2 · dense
Базовая модель
vjepa2-vitg-fpc64-384
Библиотека
transformers
Опубликована
13 июн 2025

vjepa2-vitg-fpc64-384-ssv2

Классификация видеоВидео → label5 профессий

Модель Meta на основе V-JEPA 2 классифицирует действия и события в видео, будучи дообученной на Something-Something-V2.

1 444скачиваний за 30 дней7лайковвеса обновлены11 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки31

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,7542

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,4174

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Classification

    main_score

    Результат

    0,4965

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9284

    MTEB

    Публичная таблицаревизия совпадает

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,1563

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5176

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinDomainVideoClustering

    main_score

    Результат

    0,2553

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,3599

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0107

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,4988

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,5368

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClustering

    main_score

    Результат

    0,2083

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,8335

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,618

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,2608

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,746

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,3187

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5382

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0586

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,4229

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,6756

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1533

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,0504

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVClassification

    main_score

    Результат

    0,3611

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,5476

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,2268

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,4133

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,2203

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,6692

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,315

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,5378

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/vjepa2-vitg-fpc64-384-ssv2 — модель классификации видео, разработанная FAIR подразделения Meta на основе V-JEPA 2. Это вариант ViT-g с разрешением 384 и классификационной головой, дообученный на наборе Something-Something-V2; число параметров составляет 1,3 млрд. Модель предназначена для присвоения видео меток классов и понимания действий и событий в видеороликах.

Модель принимает видео и выдаёт классовые предсказания. Она использует архитектуру VJEPA2ForVideoClassification и доступна в формате safetensors для библиотеки Transformers. Лицензия — MIT. Карточка не приводит измерений качества или подробностей о поддерживаемых языках; применимость к другим наборам классов может требовать дополнительной настройки.

Сценарии применения

  • классификация действий в коротких видеороликах
  • распознавание взаимодействий с объектами в видео
  • автоматическая разметка видеоколлекций по классам
  • извлечение классовых предсказаний для анализа видеопотока

Ограничения

Обучение на Something-Something-V2 ориентирует классификацию на классы этого набора данных; для иных категорий может потребоваться дообучение. В карточке не приведены количественные метрики качества.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

V-JEPA 2

A frontier video understanding model developed by FAIR, Meta, which extends the pretraining objectives of VJEPA, resulting in state-of-the-art video understanding capabilities, leveraging data and model sizes at scale. The code is released in this repository.

 

Installation

To run V-JEPA 2 model, ensure you have installed the latest transformers:

pip install -U git+https://github.com/huggingface/transformers

Video classification code snippet

import torch
import numpy as np

from torchcodec.decoders import VideoDecoder
from transformers import AutoVideoProcessor, AutoModelForVideoClassification

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load model and video preprocessor
hf_repo = "facebook/vjepa2-vitg-fpc64-384-ssv2"

model = AutoModelForVideoClassification.from_pretrained(hf_repo).to(device)
processor = AutoVideoProcessor.from_pretrained(hf_repo)

# To load a video, sample the number of frames according to the model.
# For this model, we use 64.
video_url = "https://huggingface.co/datasets/nateraw/kinetics-mini/resolve/main/val/bowling/-WH-lxmGJVY_000005_000015.mp4"
vr = VideoDecoder(video_url)
frame_idx = np.arange(0, model.config.frames_per_clip, 2) # you can define more complex sampling strategy
video = vr.get_frames_at(indices=frame_idx).data  # frames x channels x height x width

# Preprocess and run inference
inputs = processor(video, return_tensors="pt").to(model.device)
with torch.no_grad():
    outputs = model(**inputs)
logits = outputs.logits

print("Top 5 predicted class names:")
top5_indices = logits.topk(5).indices[0]
top5_probs = torch.softmax(logits, dim=-1).topk(5).values[0]
for idx, prob in zip(top5_indices, top5_probs):
    text_label = model.config.id2label[idx.item()]
    print(f" - {text_label}: {prob:.2f}")

Output:

Top 5 predicted class names:
 - Putting [something] onto [something]: 0.39
 - Putting [something similar to other things that are already on the table]: 0.23
 - Stacking [number of] [something]: 0.07
 - Putting [something] into [something]: 0.04
 - Putting [number of] [something] onto [something]: 0.03

Citation

@techreport{assran2025vjepa2,
  title={V-JEPA~2: Self-Supervised Video Models Enable Understanding, Prediction and Planning},
  author={Assran, Mahmoud and Bardes, Adrien and Fan, David and Garrido, Quentin and Howes, Russell and
  Komeili, Mojtaba and Muckley, Matthew and Rizvi, Ammar and Roberts, Claire and Sinha, Koustuv and Zholus, Artem and
  Arnaud, Sergio and Gejji, Abha and Martin, Ada and Robert Hogan, Francois and Dugas, Daniel and
  Bojanowski, Piotr and Khalidov, Vasil and Labatut, Patrick and Massa, Francisco and Szafraniec, Marc and
  Krishnakumar, Kapil and Li, Yong and Ma, Xiaodong and Chandar, Sarath and Meier, Franziska and LeCun, Yann and
  Rabbat, Michael and Ballas, Nicolas},
  institution={FAIR at Meta},
  year={2025}
}

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
VJEPA2ForVideoClassification
Ревизия весов
9f5fd61

0 моделей