/ Модель

Характеристики

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

xclip-base-patch16-ucf-8-shot

Классификация видеоВидео → label5 профессий

X-CLIP — видеоязыковая модель Microsoft для классификации видео и сопоставления роликов с текстом, обученная в режиме few-shot на UCF101.

94скачиваний за 30 дней1лайквеса 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 с размером патчей 16 — видеоязыковая модель Microsoft, представленная в работе Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Она расширяет CLIP для понимания видео и обучена контрастивно на парах видео и текста; эта версия обучалась в few-shot режиме с K=8 на UCF101.

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. В README указана точность top-1 88,3% на оценивании, однако подробности протокола оценки не приведены.

Модель принимает видео и текстовые описания, выдаёт оценки их соответствия и подходит для извлечения признаков при видео-языковых задачах. Репозиторий содержит веса PyTorch и распространяется по лицензии MIT. Обучение на UCF101 и few-shot настройка ограничивают основания для переноса опубликованной точности на другие наборы данных и сценарии.

Сценарии применения

  • классификация видео по действиям в zero-shot режиме
  • классификация роликов с небольшим числом размеченных примеров
  • поиск видео по текстовому описанию
  • оценка соответствия подписи или запроса видеоролику

Ограничения

Модель обучена на UCF101 в режиме few-shot с K=8; её точность и переносимость на другие наборы данных могут отличаться. README приводит top-1 accuracy 88,3%, но не описывает протокол оценки.

Для каких профессий подходит5

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 in a few-shot fashion (K=8) 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 88.3%.

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
d5950fa

0 моделей