语言: 英语
许可证: MIT
标签:

• 视觉
• 视频分类
  模型索引:
• 名称: nielsr/xclip-base-patch16-16-frames
  结果:
  • 任务:
    类型: 视频分类
    数据集:
    名称: Kinetics 400
    类型: kinetics-400
    指标:
    • 类型: 前1准确率
      值: 84.7
    • 类型: 前5准确率
      值: 96.8

X-CLIP (基础尺寸模型)

X-CLIP模型（基础尺寸，16x16的补丁分辨率）在Kinetics-400上进行了全监督训练。该模型由Ni等人在论文《扩展语言-图像预训练模型用于通用视频识别》中提出，并首次发布于此代码库。

该模型训练时每段视频使用16帧，分辨率为224x224。

免责声明：发布X-CLIP的团队未为此模型编写模型卡，因此本模型卡由Hugging Face团队撰写。

模型描述

X-CLIP是对CLIP的极简扩展，用于通用视频-语言理解。该模型通过对比学习在（视频，文本）对上训练。

这使得该模型可用于零样本、少样本或全监督的视频分类以及视频-文本检索任务。

预期用途与限制

您可以使用原始模型来确定文本与给定视频的匹配程度。请参阅模型中心寻找您感兴趣任务的微调版本。

使用方法

代码示例请参考文档。

训练数据

该模型在Kinetics-400上训练。

预处理

训练期间的预处理细节可在此处找到。

验证期间的预处理细节可在此处找到。

在验证过程中，首先调整每帧的短边尺寸，然后进行中心裁剪至固定分辨率（如224x224）。接着，使用ImageNet的均值和标准差对RGB通道进行归一化。

评估结果

该模型的前1准确率为84.7%，前5准确率为96.8%。