/ Модель

Характеристики

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

xclip-base-patch16-zero-shot

Классификация видеоВидео → label5 профессий

X-CLIP сопоставляет видео с текстовыми описаниями и поддерживает zero-shot классификацию и поиск видео по тексту.

177 тыс.скачиваний за 30 дней29лайковвеса обновлены12 сен 2023

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 Research и представленная Ni et al. Это базовая версия с патчами 16×16, обученная на наборе Kinetics-400 контрастным способом на парах видео и текста. Для каждого видео при обучении использовались 32 кадра разрешением 224×224.

Модель сопоставляет описание с видео и предназначена для классификации видео без дополнительного обучения, классификации с несколькими примерами или с учителем, а также поиска видео по тексту. Она может оценивать соответствие текста заданному видео. В README приведены результаты zero-shot классификации: top-1 accuracy 44,6% на HMDB-51, 72,0% на UCF-101 и 65,2% на Kinetics-600.

Входные данные включают видео и текстовые описания, выход — оценки соответствия, используемые для классификации или поиска. Карточка указывает английский язык. Репозиторий содержит веса PyTorch и Safetensors; лицензия — MIT. Результаты зависят от набора данных и подготовки кадров; базовая модель может уступать специализированным версиям, дообученным под конкретную задачу.

Сценарии применения

  • классификация видео без обучения на целевых метках
  • классификация видео по нескольким примерам
  • классификация видео с учителем
  • поиск видео по текстовому запросу
  • оценка соответствия описания видеоролику

Ограничения

Качество зависит от набора данных и подготовки кадров; базовая модель может уступать версиям, дообученным под конкретную задачу. В обучении использовались 32 кадра размером 224×224.

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 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 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 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 zero-shot top-1 accuracy of 44.6% on HMDB-51, 72.0% on UCF-101 and 65.2% on Kinetics-600.

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
6746d6a

0 моделей