/ 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_2_p0_splited-1788627094.972628

Классификация видеоВидео → label3 профессии

Дообученная ViViT-модель для классификации видео по классам, заданным неизвестным обучающим набором данных.

94скачиваний 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 дообученная модель видеоклассификации на базе google/vivit-b-16x2-kinetics400, опубликованная пользователем tihon-nth. Она использует архитектуру ViViT и содержит 113,2 млн параметров. Модель предназначена для классификации видео; набор данных и названия пяти классов в карточке не раскрыты.

На оценочном наборе указаны loss 0,8171 и accuracy 0,7937. Эти результаты относятся к неизвестному набору данных, поэтому их нельзя напрямую переносить на другие видео или задачи. Модель принимает видео и выдаёт метку класса. Репозиторий содержит веса safetensors; лицензия — MIT.

Сценарии применения

  • классификация видео по пяти классам исходного набора данных
  • распознавание действий в видео после адаптации к целевым классам
  • оценка и сравнение видеоклассификаторов на целевом наборе

Ограничения

Назначение пяти классов и обучающий набор данных не раскрыты; приведённые метрики получены на неизвестном оценочном наборе и не гарантируют качество на других 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_2_p0_splited-1788627094.972628

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: 0.8171
  • Accuracy: 0.7937

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: 16220

Training results

Training LossEpochStepValidation LossAccuracy
0.68570.116220.60110.7696
0.54321.132440.56610.7696
0.53852.148660.56130.7874
0.35393.164880.54490.7930
0.35334.181100.58450.8010
0.28005.197320.65880.7936
0.26596.1113540.68190.8004
0.27797.1129760.82790.7991
0.12648.1145980.80960.8022
0.11469.1162200.81850.8071

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
a1adfe4

0 моделей