Xclip Base Patch16

🚀 X-CLIP (ベースサイズのモデル)

X-CLIPは、Kinetics-400データセットで完全教師付き学習されたモデルです（ベースサイズ、パッチ解像度16）。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、各ビデオにつき8フレームを使用し、解像度224x224で学習されています。

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ています。

✨ 主な機能

X-CLIPは、一般的なビデオ言語理解のために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。

📚 ドキュメント

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することができます。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。

学習データ

このモデルは、Kinetics-400データセットで学習されています。

前処理

学習時の前処理の詳細は、こちらで確認できます。 検証時の前処理の詳細は、こちらで確認できます。 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、フレームをImageNetの平均と標準偏差でRGBチャネル全体で正規化します。

評価結果

このモデルは、トップ1精度83.8％、トップ5精度95.7％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。