Xclip Base Patch16 Zero Shot

🚀 X-CLIP (ベースサイズのモデル)

X-CLIPモデル（ベースサイズ、パッチ解像度16）は、Kinetics-400で学習されました。このモデルは、Niらによる論文Expanding Language-Image Pretrained Models for General Video Recognitionで紹介され、最初はthis repositoryで公開されました。

このモデルは、1つのビデオあたり32フレームを使用し、解像度224x224で学習されました。

免責事項: X-CLIPを公開したチームはこのモデルのモデルカードを作成していないため、このモデルカードはHugging Faceチームによって作成されました。

✨ 主な機能

X-CLIPは、一般的なビデオと言語の理解のために、CLIPを最小限拡張したモデルです。このモデルは、（ビデオ、テキスト）のペアで対照的に学習されています。

これにより、このモデルはゼロショット、フューションショット、または完全教師付きのビデオ分類やビデオテキスト検索などのタスクに使用できます。

🚀 クイックスタート

想定される用途と制限

生のモデルを使用して、与えられたビデオとテキストの適合度を判断できます。関心のあるタスクで微調整されたバージョンを探すには、モデルハブを参照してください。

使い方

コード例については、ドキュメントを参照してください。

📚 ドキュメント

学習データ

このモデルは、Kinetics 400で学習されました。

前処理

学習時の前処理の正確な詳細は、こちらにあります。

検証時の前処理の正確な詳細は、こちらにあります。

検証時には、各フレームの短い辺をリサイズした後、固定サイズの解像度（例：224x224）にセンタークロップを行います。次に、フレームはImageNetの平均と標準偏差を使用してRGBチャネル全体で正規化されます。

評価結果

このモデルは、HMDB-51でゼロショットのトップ1精度が44.6％、UCF-101で72.0％、Kinetics-600で65.2％を達成しています。

📄 ライセンス

このモデルはMITライセンスの下で公開されています。