/ Модель

Характеристики

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

xclip-large-patch14

Классификация видеоВидео → label4 профессии

X-CLIP Large Patch14 — видеоязыковая модель Microsoft для классификации видео и поиска соответствий между видео и текстом.

9 927скачиваний за 30 дней17лайковвеса обновлены28 окт 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.

  • VGGSoundAVV2TRetrieval

    main_score

    Результат

    0,7457

    MTEB

    Публичная таблицаревизия совпадает

  • MSRVTTV2T

    main_score

    Результат

    0,4224

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoZeroShotClassification

    main_score

    Результат

    0,8061

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoZeroShot

    main_score

    Результат

    0,21

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400ZeroShot

    main_score

    Результат

    0,832

    MTEB

    Публичная таблицаревизия совпадает

  • DailyOmniVideoCentricQA

    main_score

    Результат

    0,2575

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2V2TRetrieval

    main_score

    Результат

    0,0989

    MTEB

    Публичная таблицаревизия совпадает

  • WorldQAVideoCentricQA

    main_score

    Результат

    0,349

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoZeroShot

    main_score

    Результат

    0,1778

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,5932

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchV2TRetrieval

    main_score

    Результат

    0,5266

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,4064

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,8133

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600VZeroShot

    main_score

    Результат

    0,6551

    MTEB

    Публичная таблицаревизия совпадает

  • NExTQAVideoCentricQA

    main_score

    Результат

    0,432

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,4595

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastZeroShot

    main_score

    Результат

    0,3233

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Classification

    main_score

    Результат

    0,6782

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsT2VRetrieval

    main_score

    Результат

    0,3047

    MTEB

    Публичная таблицаревизия совпадает

  • OmniVideoBenchVideoCentricQA

    main_score

    Результат

    0,2417

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5311

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchT2VRetrieval

    main_score

    Результат

    0,4657

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVV2TRetrieval

    main_score

    Результат

    0,1827

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamV2TRetrieval

    main_score

    Результат

    0,2774

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVT2VRetrieval

    main_score

    Результат

    0,1715

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,8587

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,5853

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1689

    MTEB

    Публичная таблицаревизия совпадает

  • VATEXT2VRetrieval

    main_score

    Результат

    0,5688

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,7329

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KT2VRetrieval

    main_score

    Результат

    0,2236

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9731

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchVideoCentricQA

    main_score

    Результат

    0,2516

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KV2TRetrieval

    main_score

    Результат

    0,2459

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinVideoCentricQA

    main_score

    Результат

    0,2474

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,9464

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoZeroShot

    main_score

    Результат

    0,5598

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoZeroShot

    main_score

    Результат

    0,3152

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVClassification

    main_score

    Результат

    0,4778

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,7659

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0737

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2T2VRetrieval

    main_score

    Результат

    0,1123

    MTEB

    Публичная таблицаревизия совпадает

  • PerceptionTestVideoCentricQA

    main_score

    Результат

    0,4243

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,8331

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,6161

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoZeroShot

    main_score

    Результат

    0,7338

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,4942

    MTEB

    Публичная таблицаревизия совпадает

  • Panda70MV2TRetrieval

    main_score

    Результат

    0,4662

    MTEB

    Публичная таблицаревизия совпадает

  • MSRVTTT2V

    main_score

    Результат

    0,4039

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamT2VRetrieval

    main_score

    Результат

    0,2658

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

X-CLIP Large Patch14 — видеоязыковая модель Microsoft, представленная в статье Ni et al. «Expanding Language-Image Pretrained Models for General Video Recognition». Это расширение CLIP для работы с видео и текстом, обученное контрастным способом на парах «видео—текст» и полностью под наблюдением на наборе Kinetics-400.

Модель предназначена для классификации видео zero-shot, few-shot и с обучением на размеченных примерах, а также для поиска соответствий между видео и текстом. При обучении использовались 8 кадров на видео с разрешением 224×224; для классификации на основе сходства модель оценивает, насколько текст подходит к видео. В оценке на Kinetics-400 указаны точности top-1 87,1% и top-5 97,6%.

Репозиторий содержит веса PyTorch и Safetensors. Модель распространяется по лицензии MIT. Карточка описывает обучение на Kinetics-400; результаты и пригодность для других наборов данных могут отличаться.

Сценарии применения

  • классификация видео без дополнительного обучения
  • классификация видео по нескольким размеченным примерам
  • классификация видео с размеченным обучающим набором
  • поиск видео по текстовому описанию
  • оценка соответствия подписи видеоклипу

Ограничения

Модель обучена на Kinetics-400 с 8 кадрами на видео и разрешением 224×224; её качество на других данных может отличаться. Карточка приводит метрики только для Kinetics-400.

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 (large-sized model)

X-CLIP model (large-sized, patch resolution of 14) 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 87.1% and a top-5 accuracy of 97.6%.

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
a9dd142

0 моделей