Xclip Base Patch32

🚀 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32）は、Kinetics-400 で完全教師付き学習されました。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 このリポジトリ で公開されました。

このモデルは、1動画あたり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

モデルの説明

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。

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。

📦 インストール

本文書にインストール手順に関する具体的な内容が記載されていないため、このセクションを省略します。

📚 ドキュメント

学習データ

このモデルは Kinetics-400 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 を参照してください。 検証時の前処理の詳細は こちら を参照してください。

検証時には、各フレームの短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精度が80.4％、トップ5精度が95.0％を達成しています。

🔧 技術詳細

本文書に十分な技術的詳細が記載されていないため、このセクションを省略します。

📄 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。