/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
xclip · dense
Опубликована
25 авг 2022

xclip-base-patch32

Классификация видеоВидео → label5 профессий

Базовая X-CLIP сопоставляет видео с текстом и поддерживает классификацию видео и поиск видео по тексту.

98 057скачиваний за 30 дней120лайковвеса обновлены4 фев 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.

  • DailyOmniVideoCentricQA

    main_score

    Результат

    0,2676

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5035

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9636

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,7088

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVT2VRetrieval

    main_score

    Результат

    0,1102

    MTEB

    Публичная таблицаревизия совпадает

  • OmniVideoBenchVideoCentricQA

    main_score

    Результат

    0,2652

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoZeroShot

    main_score

    Результат

    0,1522

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchV2TRetrieval

    main_score

    Результат

    0,4576

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400ZeroShot

    main_score

    Результат

    0,7374

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,3864

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2V2TRetrieval

    main_score

    Результат

    0,0694

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,9092

    MTEB

    Публичная таблицаревизия совпадает

  • VATEXV2TRetrieval

    main_score

    Результат

    0,5557

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundAVT2VRetrieval

    main_score

    Результат

    0,6414

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0688

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,9238

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KV2TRetrieval

    main_score

    Результат

    0,3896

    MTEB

    Публичная таблицаревизия совпадает

  • EgoSchemaVideoCentricQA

    main_score

    Результат

    0,308

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,538

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,7089

    MTEB

    Публичная таблицаревизия совпадает

  • MSVDV2TRetrieval

    main_score

    Результат

    0,5559

    MTEB

    Публичная таблицаревизия совпадает

  • MSRVTTT2V

    main_score

    Результат

    0,1933

    MTEB

    Публичная таблицаревизия совпадает

  • PerceptionTestVideoCentricQA

    main_score

    Результат

    0,4211

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsT2VRetrieval

    main_score

    Результат

    0,2122

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,4935

    MTEB

    Публичная таблицаревизия совпадает

  • DiDeMoT2VRetrieval

    main_score

    Результат

    0,196

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonZeroShot

    main_score

    Результат

    0,8509

    MTEB

    Публичная таблицаревизия совпадает

  • WorldQAVideoCentricQA

    main_score

    Результат

    0,3465

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KT2VRetrieval

    main_score

    Результат

    0,1342

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVZeroShot

    main_score

    Результат

    0,2806

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,2215

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51ZeroShot

    main_score

    Результат

    0,4405

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchT2VRetrieval

    main_score

    Результат

    0,3321

    MTEB

    Публичная таблицаревизия совпадает

  • SomethingSomethingV2Classification

    main_score

    Результат

    0,0726

    MTEB

    Публичная таблицаревизия совпадает

  • Panda70MV2TRetrieval

    main_score

    Результат

    0,4112

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1396

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchVideoCentricQA

    main_score

    Результат

    0,2547

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,39

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,9197

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamT2VRetrieval

    main_score

    Результат

    0,1169

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastZeroShot

    main_score

    Результат

    0,2286

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2T2VRetrieval

    main_score

    Результат

    0,0663

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamVideoCentricQA

    main_score

    Результат

    0,2967

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundVideoZeroshot

    main_score

    Результат

    0,2795

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsV2TRetrieval

    main_score

    Результат

    0,2898

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,6329

    MTEB

    Публичная таблицаревизия совпадает

  • NExTQAVideoCentricQA

    main_score

    Результат

    0,4149

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,638

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVClassification

    main_score

    Результат

    0,4556

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoZeroShot

    main_score

    Результат

    0,1074

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

X-CLIP — базовая модель семейства CLIP для понимания видео и текста, разработанная Microsoft и представленная Ni и соавторами. Она обучена контрастивным способом на парах «видео–текст» и полностью контролируемым образом на наборе Kinetics-400. Видеоклип обрабатывается по 8 кадрам с разрешением 224×224; модель использует архитектуру X-CLIP с визуальными патчами размером 32 пикселя.

Модель предназначена для классификации видео с нулевым или малым числом примеров, а также для классификации с учителем и поиска соответствий между видео и текстом. Она может оценивать, насколько текст подходит к видео; для Kinetics-400 указана точность top-1 80,4% и top-5 95,0%. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

Сценарии применения

  • классификация видео по текстовым описаниям без дополнительного обучения
  • классификация видео с небольшим количеством размеченных примеров
  • классификация видео с учителем
  • поиск видео по текстовому запросу
  • оценка соответствия описания видеоклипу

Ограничения

Модель обучена на Kinetics-400 и обрабатывает по 8 кадров размером 224×224, поэтому результаты могут ухудшаться на иных типах видео и при другом распределении данных. В карточке не приведены подробные ограничения по качеству или оценка поиска видео по тексту.

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 32) 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 80.4% and a top-5 accuracy of 95.0%.

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
a2e27a7

0 моделей