/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
vivit · dense
Базовая модель
vivit-b-16x2-kinetics400
Библиотека
transformers
Опубликована
5 сен 2026

vivit-vit-8-10-epochs-5_class_1_p0_splited-1788619611.183424

Классификация видеоВидео → label3 профессии

Дообученная модель ViViT для классификации действий в видеороликах.

88скачиваний за 30 дней0лайковвеса обновлены5 сен 2026

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 модель ViViT для классификации действий в видео, разработанная на основе google/vivit-b-16x2-kinetics400 и дообученная автором репозитория на неизвестном наборе данных. Она предназначена для отнесения видеороликов к классам; в README приведены результаты оценки: accuracy 0,7373 и loss 1,0536.

Модель содержит 113,2 млн параметров, использует архитектуру ViViT и распространяется в формате safetensors для библиотеки Transformers. Лицензия — MIT. Состав классов, обучающие данные и подробные ограничения в карточке не раскрыты, поэтому пригодность для конкретного набора категорий следует проверять отдельно.

Сценарии применения

  • классификация действий в видеоклипах
  • автоматическая сортировка роликов по категориям
  • распознавание типов событий в видео

Ограничения

Датасет и набор классов не описаны, поэтому результаты оценки нельзя напрямую переносить на другие видеоданные; на evaluation set указана accuracy 0,7373. README не содержит сведений о тестировании на внешних данных.

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

vivit-vit-8-10-epochs-5_class_1_p0_splited-1788619611.183424

This model is a fine-tuned version of google/vivit-b-16x2-kinetics400 on an unknown dataset. It achieves the following results on the evaluation set:

  • Loss: 1.0536
  • Accuracy: 0.7373

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

  • learning_rate: 5e-05
  • train_batch_size: 8
  • eval_batch_size: 8
  • seed: 42
  • optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
  • lr_scheduler_type: linear
  • training_steps: 8660

Training results

Training LossEpochStepValidation LossAccuracy
0.73540.10018670.85220.6413
0.77351.100117340.82010.6621
0.47912.100126010.74850.6943
0.37863.100134680.85500.6943
0.28164.100143350.80860.7151
0.37575.100152020.84780.7290
0.21436.100160690.99250.7140
0.19647.100169361.13790.7197
0.26218.100178031.11540.7324
0.09219.099086601.13230.7370

Framework versions

  • Transformers 5.16.1
  • Pytorch 2.14.0+cu126
  • Datasets 5.0.1
  • Tokenizers 0.23.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · video-classification

Нельзя запустить

Репозиторий недоступен на Hugging Face.

Класс архитектуры
VivitForVideoClassification
Ревизия весов
0f08ba7

0 моделей