/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
videomae · dense
Базовая модель
videomae-large-finetuned-kinetics
Библиотека
transformers
Опубликована
23 апр 2025

Accident-Detection-using-Dashcam

Классификация видеоВидео → label3 профессии

VideoMAE Large, дообученная для оценки вероятности столкновения или опасного сближения по видео с автомобильного регистратора.

138скачиваний за 30 дней1лайквеса обновлены26 авг 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

Модель jatinmehra/Accident-Detection-using-Dashcam разработана для прогнозирования дорожных столкновений по видеозаписям с автомобильного регистратора в рамках Nexar Dashcam Collision Prediction Challenge. Это VideoMAE Large, дообученная для бинарной классификации: столкновение или опасное сближение против обычного движения. По README модель заняла 11-е место в соревновании с результатом 0,80 mAP.

Модель принимает видеозапись, для которой выбираются 16 кадров размером 224×224 пикселя, и выдаёт оценку вероятности столкновения или опасного сближения. При обучении использован датасет Nexar Collision Prediction; оценка учитывала интервалы 500, 1000 и 1500 мс до события. Репозиторий содержит веса в формате safetensors, использует библиотеку Transformers и насчитывает около 402,7 млн параметров.

Модель может применяться для раннего предупреждения водителя и анализа риска на видео с регистратора. Описание обучения упоминает извлечение признаков TimeSformer, хотя метаданные указывают архитектуру VideoMAE. Лицензия — MIT; качество на новых условиях съёмки и вне используемого датасета в карточке не охарактеризовано.

Сценарии применения

  • раннее предупреждение о возможном столкновении по видео с регистратора
  • выявление опасного сближения на дорожной записи
  • классификация поездок на записи с аварийным событием и обычным движением
  • оценка риска ДТП для систем помощи водителю
  • анализ видеозаписей для исследования дорожных инцидентов

Ограничения

В README сообщается о результате 0,80 mAP и 11-м месте в конкретном соревновании, но данных о качестве на других наборах, регионах и условиях съёмки нет. Входной конвейер описан для 16 кадров размером 224×224 пикселя.

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-2 for Dashcam Collision Prediction

This repository contains model for predicting vehicle collisions using dashcam footage, developed for the Nexar Dashcam Collision Prediction Challenge. The model achieved a 11th place finish on the leaderboard with a score of 0.80 mean Average Precision (mAP)

For Training code - GitHub


🧠 Model Overview

  • Architecture: VideoMAE-2 Large fine-tuned for binary classification (collision/near-miss vs. normal driving).

  • Feature Extraction: Utilized TimeSformer for preprocessing input frames.

  • Input: 16 frames per video, each resized to 224x224 pixels.

  • Output: Probability score indicating the likelihood of a collision or near-miss event.


📁 Dataset

The model was trained on the Nexar Collision Prediction Dataset.

  • 750 non-collision videos

  • 400 collision videos

  • 350 near-miss videos arXiv

Each video is annotated with:

  • Event Type: Collision, near-miss, or normal driving

  • Event Time: Timestamp of the (near-)collision

  • Alert Time: Earliest time the event could be predicted.

For more details, refer to the dataset paper.


🛠️ Preprocessing Pipeline

  1. Frame Extraction: Sampled 16 frames per video, focusing on the interval around the alert time.

  2. Feature Extraction: Applied TimeSformer feature extractor to obtain pixel values.

  3. Data Augmentation: Implemented transformations such as horizontal flip, rotation, color jitter, and resized cropping.

  4. Normalization: Used ImageNet mean and standard deviation for normalization.


🏋️ Training Details

  • Framework: PyTorch with Hugging Face Transformers and Trainer API.

  • Training Configuration:

    • Batch Size: 4

    • Epochs: 15

    • Learning Rate: 3e-5

    • Weight Decay: 0.01

    • Evaluation Strategy: Per epoch

    • Metric for Best Model: Average Precision

  • Hardware: Trained on 2x NVIDIA T4 GPUs (~4.5 hours)


📊 Evaluation Metrics

The model's performance was evaluated using Mean Average Precision (mAP) across different time-to-accident intervals:

  • 500ms

  • 1000ms

  • 1500ms

The final score is the mean of the Average Precision (AP) values at these intervals, emphasizing early and accurate collision predictions

📚 Citation

If you use this model or dataset, please cite:

@misc{nexar2025dashcamcollisionprediction,
  title={Nexar Dashcam Collision Prediction Dataset and Challenge},
  author={Daniel C. Moura and Shizhan Zhu and Orly Zvitia},
  year={2025},
  eprint={2503.03848},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2503.03848}
}

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
a36a289

0 моделей