/ Модель

Характеристики

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

xclip-base-patch16-ucf-2-shot

Классификация видеоВидео → label4 профессии

X-CLIP — модель для классификации видео по текстовым описаниям и поиска соответствий между видео и текстом.

93скачиваний 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 — видеоязыковая модель семейства CLIP, разработанная Microsoft и представленная в работе Ni et al. Это базовая версия с патчами 16×16, обученная в few-shot режиме с двумя примерами на класс на наборе UCF101. Модель сопоставляет видео и текст с помощью контрастивного обучения и принимает видеокадры вместе с текстовым описанием.

Сценарии применения

  • классификация действий в видео по двум примерам на класс
  • классификация видео по текстовым меткам без дополнительного обучения
  • поиск видео по текстовому запросу
  • оценка соответствия описания видеоролику

Ограничения

Чекпойнт обучен в few-shot режиме на UCF101 и использует 32 кадра на видео с разрешением 224×224; качество на других типах видео может отличаться. В README указана точность top-1 76,4% на оценивании модели.

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 16) trained in a few-shot fashion (K=2) on UCF101. 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 UCF101.

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 76.4%.

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
9b27073

0 моделей