/ Модель

Характеристики

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

xclip-base-patch16-hmdb-16-shot

Классификация видеоВидео → label3 профессии

X-CLIP — видеоязычная модель для классификации видео и поиска соответствий между видео и текстом.

87скачиваний за 30 дней2лайкавеса обновлены8 сен 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

X-CLIP base-sized с размером патча 16 — видеоязычная модель Microsoft, выпущенная в репозитории Hugging Face и представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах «видео — текст»; вариант дообучен в few-shot режиме с K=16 на HMDB-51.

Модель предназначена для классификации видео в zero-shot, few-shot и supervised сценариях, а также для поиска соответствия между видео и текстом. При обучении использовались 32 кадра на видео с разрешением 224×224; точность top-1 на оценке из карточки — 64,0%. Лицензия — MIT.

Модель принимает видео и текстовые описания и позволяет оценивать их соответствие. Обучение на HMDB-51 и few-shot режим ограничивают переносимость результатов на другие типы видео и классы; указанная точность относится к оценке, описанной в карточке.

Сценарии применения

  • классификация действий в видео HMDB-51
  • zero-shot классификация видеороликов по текстовым меткам
  • few-shot распознавание видеоклассов
  • поиск видео по текстовому описанию
  • оценка соответствия видеоролика тексту

Ограничения

Модель обучена в few-shot режиме на HMDB-51, поэтому качество на других наборах видео и классах может отличаться. Указанная точность top-1 64,0% относится к оценке из карточки модели.

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

X-CLIP (base-sized model)

X-CLIP model (base-sized, patch resolution of 16) trained in a few-shot fashion (K=16) on HMDB-51. 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 32 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 HMDB-51.

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 64.0%.

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
42f1f23

0 моделей