/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
xclip · dense
Опубликована
7 сен 2022

xclip-base-patch16

Классификация видеоВидео → label7 профессий

X-CLIP — видео-языковая модель Microsoft для классификации роликов и поиска соответствий между видео и текстом.

10 513скачиваний за 30 дней7лайковвеса обновлены28 окт 2024

Бенчмарки

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

Публичные оценки50

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

  • PerceptionTestVideoCentricQA

    main_score

    Результат

    0,3987

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,698

    MTEB

    Публичная таблицаревизия совпадает

  • MSVDV2TRetrieval

    main_score

    Результат

    0,6027

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClustering

    main_score

    Результат

    0,4489

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51ZeroShot

    main_score

    Результат

    0,4654

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,945

    MTEB

    Публичная таблицаревизия совпадает

  • OmniVideoBenchVideoCentricQA

    main_score

    Результат

    0,224

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,2935

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoZeroShot

    main_score

    Результат

    0,1616

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400ZeroShot

    main_score

    Результат

    0,7862

    MTEB

    Публичная таблицаревизия совпадает

  • VATEXT2VRetrieval

    main_score

    Результат

    0,4521

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoZeroShot

    main_score

    Результат

    0,5393

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,6093

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamVideoCentricQA

    main_score

    Результат

    0,3122

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,7276

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KT2VRetrieval

    main_score

    Результат

    0,1717

    MTEB

    Публичная таблицаревизия совпадает

  • DiDeMoT2VRetrieval

    main_score

    Результат

    0,2448

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundVideoZeroshot

    main_score

    Результат

    0,2995

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0688

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KT2VRetrieval

    main_score

    Результат

    0,2681

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,5565

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchV2TRetrieval

    main_score

    Результат

    0,4892

    MTEB

    Публичная таблицаревизия совпадает

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,086

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVT2VRetrieval

    main_score

    Результат

    0,1256

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,7486

    MTEB

    Публичная таблицаревизия совпадает

  • WorldQAVideoCentricQA

    main_score

    Результат

    0,3103

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,7587

    MTEB

    Публичная таблицаревизия совпадает

  • MSRVTTV2T

    main_score

    Результат

    0,3972

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5437

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoZeroShotClassification

    main_score

    Результат

    0,7515

    MTEB

    Публичная таблицаревизия совпадает

  • VATEXV2TRetrieval

    main_score

    Результат

    0,5692

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,5522

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KV2TRetrieval

    main_score

    Результат

    0,3935

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,9384

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVZeroShot

    main_score

    Результат

    0,3438

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchT2VRetrieval

    main_score

    Результат

    0,3718

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchVideoCentricQA

    main_score

    Результат

    0,274

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVV2TRetrieval

    main_score

    Результат

    0,1802

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,9161

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonZeroShot

    main_score

    Результат

    0,8463

    MTEB

    Публичная таблицаревизия совпадает

  • Panda70MV2TRetrieval

    main_score

    Результат

    0,426

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9694

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,1062

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoZeroShot

    main_score

    Результат

    0,2078

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinVideoCentricQA

    main_score

    Результат

    0,2674

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamV2TRetrieval

    main_score

    Результат

    0,2348

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,41

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoZeroShot

    main_score

    Результат

    0,6965

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600VZeroShot

    main_score

    Результат

    0,6056

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0107

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

X-CLIP base-sized patch16 — модель Microsoft для анализа видео и текста, основанная на расширении CLIP для понимания видео-языковых связей. Она обучена с учителем на наборе Kinetics-400 в контрастивном режиме на парах «видео — текст». Модель использует 8 кадров на видео с разрешением 224×224; веса доступны в форматах PyTorch и Safetensors.

Модель подходит для классификации видео в режимах zero-shot, few-shot и с обучением на размеченных данных, а также для поиска соответствий между видео и текстом. Её можно применять для оценки того, насколько текстовое описание подходит к ролику. На Kinetics-400 указаны результаты 83,8% top-1 и 95,7% top-5. Лицензия — MIT.

Сценарии применения

  • классификация видео без дополнительного обучения по текстовым меткам
  • классификация роликов с несколькими примерами на класс
  • классификация видео на размеченных данных
  • поиск видео по текстовому описанию
  • оценка соответствия текста видеоролику

Ограничения

В описании указаны обучение и оценка на Kinetics-400; качество на других типах видео отдельно не охарактеризовано. Для обработки ролика модель использует 8 кадров с разрешением 224×224.

Для каких профессий подходит7

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

X-CLIP (base-sized model)

X-CLIP model (base-sized, patch resolution of 16) 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 83.8% and a top-5 accuracy of 95.7%.

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
d6184e3

0 моделей