/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
vjepa2 · dense
Базовая модель
vjepa2-vitl-fpc64-256
Библиотека
transformers
Опубликована
12 июн 2025

vjepa2-vitl-fpc16-256-ssv2

Классификация видеоВидео → label3 профессии

Дообученная версия V-JEPA 2 ViT-L классифицирует видеоролики, включая действия и взаимодействия с объектами.

6 215скачиваний за 30 дней7лайковвеса обновлены13 июн 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

Это V-JEPA 2 ViT-L с головой классификации видео, подготовленной FAIR при Meta и дообученной на наборе Something-Something-V2. Модель содержит 402,7 млн параметров и предназначена для классификации видеороликов; она распространяется в формате Safetensors и используется через библиотеку Transformers.

Модель подходит для распознавания действий и событий в видео, в том числе сцен с взаимодействием человека с объектами. Базовая модель V-JEPA 2 разработана FAIR при Meta для понимания и представления видео и изображений. Для этой версии указана лицензия MIT. Карточка не сообщает контекст обработки и поддерживаемые естественные языки.

Сценарии применения

  • классификация действий в коротких видеороликах
  • распознавание взаимодействий человека с предметами
  • разметка видео для анализа поведения
  • категоризация видеоклипов в медиатеке

Ограничения

Модель предназначена для классификации видео и не заявлена как универсальная генеративная модель. Карточка не приводит сведения о точности и не уточняет ограничения по длительности или разрешению входного видео.

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

V-JEPA 2

A frontier video understanding model developed by FAIR, Meta, which extends the pretraining objectives of VJEPA, resulting in state-of-the-art video understanding capabilities, leveraging data and model sizes at scale. The code is released in this repository.

 

Installation

To run V-JEPA 2 model, ensure you have installed the latest transformers:

pip install -U git+https://github.com/huggingface/transformers

Video classification code snippet

import torch
import numpy as np

from torchcodec.decoders import VideoDecoder
from transformers import AutoVideoProcessor, AutoModelForVideoClassification

device = "cuda" if torch.cuda.is_available() else "cpu"

# Load model and video preprocessor
hf_repo = "facebook/vjepa2-vitl-fpc16-256-ssv2"

model = AutoModelForVideoClassification.from_pretrained(hf_repo).to(device)
processor = AutoVideoProcessor.from_pretrained(hf_repo)

# To load a video, sample the number of frames according to the model.
video_url = "https://huggingface.co/datasets/nateraw/kinetics-mini/resolve/main/val/bowling/-WH-lxmGJVY_000005_000015.mp4"
vr = VideoDecoder(video_url)
frame_idx = np.arange(0, model.config.frames_per_clip, 8) # you can define more complex sampling strategy
video = vr.get_frames_at(indices=frame_idx).data  # frames x channels x height x width

# Preprocess and run inference
inputs = processor(video, return_tensors="pt").to(model.device)
with torch.no_grad():
    outputs = model(**inputs)
logits = outputs.logits

print("Top 5 predicted class names:")
top5_indices = logits.topk(5).indices[0]
top5_probs = torch.softmax(logits, dim=-1).topk(5).values[0]
for idx, prob in zip(top5_indices, top5_probs):
    text_label = model.config.id2label[idx.item()]
    print(f" - {text_label}: {prob:.2f}")

Output:

Top 5 predicted class names:
 - Stuffing [something] into [something]: 0.34
 - Putting [something] into [something]: 0.25
 - Putting [something] onto [something]: 0.04
 - Spreading [something] onto [something]: 0.04
 - Closing [something]: 0.03

Citation

@techreport{assran2025vjepa2,
  title={V-JEPA~2: Self-Supervised Video Models Enable Understanding, Prediction and Planning},
  author={Assran, Mahmoud and Bardes, Adrien and Fan, David and Garrido, Quentin and Howes, Russell and
  Komeili, Mojtaba and Muckley, Matthew and Rizvi, Ammar and Roberts, Claire and Sinha, Koustuv and Zholus, Artem and
  Arnaud, Sergio and Gejji, Abha and Martin, Ada and Robert Hogan, Francois and Dugas, Daniel and
  Bojanowski, Piotr and Khalidov, Vasil and Labatut, Patrick and Massa, Francisco and Szafraniec, Marc and
  Krishnakumar, Kapil and Li, Yong and Ma, Xiaodong and Chandar, Sarath and Meier, Franziska and LeCun, Yann and
  Rabbat, Michael and Ballas, Nicolas},
  institution={FAIR at Meta},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
VJEPA2ForVideoClassification
Ревизия весов
99f23ac

0 моделей