/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
siglip · dense
Базовая модель
siglip2-base-patch16-224
Библиотека
transformers
Опубликована
6 апр 2025

Human-Action-Recognition

Классификация изображенийИзображение → label3 профессии

Дообученная на распознавание 15 человеческих действий модель SigLIP 2, классифицирующая отдельные изображения.

23скачиваний за 30 дней6лайковвеса обновлены7 апр 2025

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

Human-Action-Recognition — модель классификации изображений, созданная PrithivMLmods дообучением Google SigLIP 2 Base Patch16 224. Она принимает отдельные изображения и относит действия людей к одному из 15 классов: звонок, хлопки, езда на велосипеде, танец, питьё, еда, драка, объятия, смех, прослушивание музыки, бег, сидение, сон, переписка и работа за ноутбуком. Модель предназначена для распознавания действий на фотографиях в сценариях мониторинга, спортивной аналитики, анализа изображений в социальных сетях, наблюдения за активностью пациентов и робототехники.

Модель использует архитектуру SiglipForImageClassification и распространяется в формате Safetensors для Transformers. Карточка не приводит оценок качества; классификация ограничена указанными 15 классами и предназначена для неподвижных изображений, поэтому её нельзя трактовать как распознавание последовательностей действий в видео. Лицензия — Apache-2.0.

Сценарии применения

  • Распознавание действий людей на фотографиях
  • Классификация спортивных сцен по активности участников
  • Выявление заданных действий на изображениях видеонаблюдения
  • Определение активности людей на изображениях для мониторинга ухода
  • Автоматическая категоризация пользовательских изображений по действию

Ограничения

Распознаёт только 15 перечисленных классов по отдельным изображениям; качество и устойчивость на разных условиях съёмки в карточке не оценены.

Для каких профессий подходит3

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

zfdggzdrg.png

Human-Action-Recognition

Human-Action-Recognition is an image classification vision-language encoder model fine-tuned from google/siglip2-base-patch16-224 for multi-class human action recognition. It uses the SiglipForImageClassification architecture to predict human activities from still images.

Classification Report:
                    precision    recall  f1-score   support

           calling     0.8525    0.7571    0.8020       840
          clapping     0.8679    0.7119    0.7822       840
           cycling     0.9662    0.9857    0.9758       840
           dancing     0.8302    0.8381    0.8341       840
          drinking     0.9093    0.8714    0.8900       840
            eating     0.9377    0.9131    0.9252       840
          fighting     0.9034    0.7905    0.8432       840
           hugging     0.9065    0.9000    0.9032       840
          laughing     0.7854    0.8583    0.8203       840
listening_to_music     0.8494    0.7988    0.8233       840
           running     0.8888    0.9321    0.9099       840
           sitting     0.5945    0.7226    0.6523       840
          sleeping     0.8593    0.8214    0.8399       840
           texting     0.8195    0.6702    0.7374       840
      using_laptop     0.6610    0.9190    0.7689       840

          accuracy                         0.8327     12600
         macro avg     0.8421    0.8327    0.8339     12600
      weighted avg     0.8421    0.8327    0.8339     12600

download.png

The model categorizes images into 15 action classes:

  • 0: calling
  • 1: clapping
  • 2: cycling
  • 3: dancing
  • 4: drinking
  • 5: eating
  • 6: fighting
  • 7: hugging
  • 8: laughing
  • 9: listening_to_music
  • 10: running
  • 11: sitting
  • 12: sleeping
  • 13: texting
  • 14: using_laptop

Run with Transformers 🤗

!pip install -q transformers torch pillow gradio
import gradio as gr
from transformers import AutoImageProcessor, SiglipForImageClassification
from PIL import Image
import torch

# Load model and processor
model_name = "prithivMLmods/Human-Action-Recognition"  # Change to your updated model path
model = SiglipForImageClassification.from_pretrained(model_name)
processor = AutoImageProcessor.from_pretrained(model_name)

# ID to Label mapping
id2label = {
    0: "calling",
    1: "clapping",
    2: "cycling",
    3: "dancing",
    4: "drinking",
    5: "eating",
    6: "fighting",
    7: "hugging",
    8: "laughing",
    9: "listening_to_music",
    10: "running",
    11: "sitting",
    12: "sleeping",
    13: "texting",
    14: "using_laptop"
}

def classify_action(image):
    """Predicts the human action in the image."""
    image = Image.fromarray(image).convert("RGB")
    inputs = processor(images=image, return_tensors="pt")

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    predictions = {id2label[i]: round(probs[i], 3) for i in range(len(probs))}
    return predictions

# Gradio interface
iface = gr.Interface(
    fn=classify_action,
    inputs=gr.Image(type="numpy"),
    outputs=gr.Label(label="Action Prediction Scores"),
    title="Human Action Recognition",
    description="Upload an image to recognize the human action (e.g., dancing, calling, sitting, etc.)."
)

# Launch the app
if __name__ == "__main__":
    iface.launch()

Intended Use

The Human-Action-Recognition model is designed to detect and classify human actions from images. Example applications:

  • Surveillance & Monitoring: Recognizing suspicious or specific activities in public spaces.
  • Sports Analytics: Identifying player activities or movements.
  • Social Media Insights: Understanding trends in user-posted visuals.
  • Healthcare: Monitoring elderly or patients for activity patterns.
  • Robotics & Automation: Enabling context-aware AI systems with visual understanding.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
SiglipForImageClassification
Ревизия весов
dc1bc05

0 моделей