Timesformer Base Finetuned K600

🚀 TimeSformer (ベースサイズのモデル、Kinetics-600でファインチューニング済み)

Kinetics-600 で事前学習されたTimeSformerモデルです。このモデルはTongらによる論文 TimeSformer: Is Space-Time Attention All You Need for Video Understanding? で紹介され、このリポジトリ で最初に公開されました。

なお、TimeSformerを公開したチームはこのモデルについて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 fcakyon によって作成されています。

🚀 クイックスタート

このモデルは、600種類のKinetics-600ラベルのいずれかに動画を分類するために使用できます。

💻 使用例

基本的な使用法

以下は、このモデルを使用して動画を分類する方法の例です。

from transformers import AutoImageProcessor, TimesformerForVideoClassification
import numpy as np
import torch

video = list(np.random.randn(8, 3, 224, 224))

processor = AutoImageProcessor.from_pretrained("fcakyon/timesformer-base-finetuned-k600")
model = TimesformerForVideoClassification.from_pretrained("fcakyon/timesformer-base-finetuned-k600")

inputs = processor(images=video, return_tensors="pt")

with torch.no_grad():
  outputs = model(**inputs)
  logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

より多くのコード例については、ドキュメント を参照してください。

📚 詳細ドキュメント

BibTeXエントリと引用情報

@inproceedings{bertasius2021space,
  title={Is Space-Time Attention All You Need for Video Understanding?},
  author={Bertasius, Gedas and Wang, Heng and Torresani, Lorenzo},
  booktitle={International Conference on Machine Learning},
  pages={813--824},
  year={2021},
  organization={PMLR}
}

📄 ライセンス

このモデルは CC BY-NC 4.0 ライセンスの下で提供されています。