Xclip Base Patch16 Ucf 16 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、UCF101 で少数ショット学習（K = 16）を行って訓練されました。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 このリポジトリ で公開されました。

このモデルは、各ビデオにつき32フレームを使用し、解像度224x224で訓練されました。

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、一般的なビデオ言語理解のために CLIP を最小限に拡張したものです。このモデルは、（ビデオ、テキスト）のペアで対照的に訓練されています。

これにより、このモデルはゼロショット、少数ショット、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。

訓練データ

このモデルは UCF101 で訓練されました。

前処理

訓練時の前処理の正確な詳細は ここ で確認できます。 検証時の前処理の正確な詳細は ここ で確認できます。 検証時には、各フレームの短辺をリサイズした後、中央切り抜きを行って固定サイズの解像度（例えば224x224）にします。次に、フレームをImageNetの平均と標準偏差でRGBチャン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91.4％を達成しています。

📄 ライセンス

このモデルはMITライセンスの下で提供されています。