/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
xclip · dense
Опубликована
21 июн 2026

xclip-base-patch32

Классификация видеоВидео → label4 профессии

Производная модели microsoft/xclip-base-patch32. Базовая X-CLIP сопоставляет видео с текстом и поддерживает классификацию видео и поиск видео по тексту.

6скачиваний за 30 дней0лайковвеса обновлены21 июн 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

Карточка модели kas1293/xclip-base-patch32 на Hugging Face совпадает с карточкой microsoft/xclip-base-patch32, поэтому описание составлено по ней.

X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя.

Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Сценарии применения

  • классификация видео по текстовым описаниям без дополнительного обучения
  • классификация видео с небольшим количеством размеченных примеров
  • классификация видео с учителем
  • поиск видео по текстовому запросу
  • оценка соответствия описания видеоклипу

Ограничения

Модель обучена на Kinetics-400 и обрабатывает по 8 кадров размером 224×224, поэтому результаты могут ухудшаться на иных типах видео и при другом распределении данных. В карточке не приведены подробные ограничения по качеству или оценка поиска видео по тексту.

Для каких профессий подходит4

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

X-CLIP (base-sized model)

X-CLIP model (base-sized, patch resolution of 32) trained fully-supervised on Kinetics-400. It was introduced in the paper Expanding Language-Image Pretrained Models for General Video Recognition by Ni et al. and first released in this repository.

This model was trained using 8 frames per video, at a resolution of 224x224.

Disclaimer: The team releasing X-CLIP did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

X-CLIP is a minimal extension of CLIP for general video-language understanding. The model is trained in a contrastive way on (video, text) pairs.

X-CLIP architecture

This allows the model to be used for tasks like zero-shot, few-shot or fully supervised video classification and video-text retrieval.

Intended uses & limitations

You can use the raw model for determining how well text goes with a given video. See the model hub to look for fine-tuned versions on a task that interests you.

How to use

For code examples, we refer to the documentation.

Training data

This model was trained on Kinetics-400.

Preprocessing

The exact details of preprocessing during training can be found here.

The exact details of preprocessing during validation can be found here.

During validation, one resizes the shorter edge of each frame, after which center cropping is performed to a fixed-size resolution (like 224x224). Next, frames are normalized across the RGB channels with the ImageNet mean and standard deviation.

Evaluation results

This model achieves a top-1 accuracy of 80.4% and a top-5 accuracy of 95.0%.

Как запустить

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

GPU в ailist

Универсальный рантайм · video-classification

Нельзя запустить

Для архитектуры xclip нет загрузчика под задачу video-classification.

Класс архитектуры
XClipModel
Ревизия весов
0dd652c

0 моделей