Videomae Base Finetuned Ucf101

🚀 videomae-base-finetuned-ucf101

このモデルは、UCF101データセットでFine-tuningされたVideoMAE Baseモデルです。動画行動認識タスクに使用できます。WandBレポートでメトリクスを確認できます。

🚀 クイックスタート

以下のコードを使って、このモデルを始めることができます。

from decord import VideoReader, cpu
import torch
import numpy as np

from transformers import VideoMAEFeatureExtractor, VideoMAEForVideoClassification
from huggingface_hub import hf_hub_download

np.random.seed(0)


def sample_frame_indices(clip_len, frame_sample_rate, seg_len):
    converted_len = int(clip_len * frame_sample_rate)
    end_idx = np.random.randint(converted_len, seg_len)
    start_idx = end_idx - converted_len
    indices = np.linspace(start_idx, end_idx, num=clip_len)
    indices = np.clip(indices, start_idx, end_idx - 1).astype(np.int64)
    return indices


# video clip consists of 300 frames (10 seconds at 30 FPS)
file_path = hf_hub_download(
    repo_id="nateraw/dino-clips", filename="archery.mp4", repo_type="space"
)
videoreader = VideoReader(file_path, num_threads=1, ctx=cpu(0))

# sample 16 frames
videoreader.seek(0)
indices = sample_frame_indices(clip_len=16, frame_sample_rate=4, seg_len=len(videoreader))
video = videoreader.get_batch(indices).asnumpy()

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("nateraw/videomae-base-finetuned-ucf101")
model = VideoMAEForVideoClassification.from_pretrained("nateraw/videomae-base-finetuned-ucf101")

inputs = feature_extractor(list(video), return_tensors="pt")

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

# model predicts one of the 101 UCF101 classes
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

✨ 主な機能

直接使用

このモデルは、動画行動認識に使用できます。

推奨事項

ユーザー（直接的および下流的なユーザー）は、このモデルのリスク、バイアス、および制限について認識する必要があります。さらなる推奨事項については、詳細情報が必要です。

📦 インストール

ドキュメントにインストール手順が記載されていないため、このセクションをスキップします。

💻 使用例

基本的な使用法

from decord import VideoReader, cpu
import torch
import numpy as np

from transformers import VideoMAEFeatureExtractor, VideoMAEForVideoClassification
from huggingface_hub import hf_hub_download

np.random.seed(0)


def sample_frame_indices(clip_len, frame_sample_rate, seg_len):
    converted_len = int(clip_len * frame_sample_rate)
    end_idx = np.random.randint(converted_len, seg_len)
    start_idx = end_idx - converted_len
    indices = np.linspace(start_idx, end_idx, num=clip_len)
    indices = np.clip(indices, start_idx, end_idx - 1).astype(np.int64)
    return indices


# video clip consists of 300 frames (10 seconds at 30 FPS)
file_path = hf_hub_download(
    repo_id="nateraw/dino-clips", filename="archery.mp4", repo_type="space"
)
videoreader = VideoReader(file_path, num_threads=1, ctx=cpu(0))

# sample 16 frames
videoreader.seek(0)
indices = sample_frame_indices(clip_len=16, frame_sample_rate=4, seg_len=len(videoreader))
video = videoreader.get_batch(indices).asnumpy()

feature_extractor = VideoMAEFeatureExtractor.from_pretrained("nateraw/videomae-base-finetuned-ucf101")
model = VideoMAEForVideoClassification.from_pretrained("nateraw/videomae-base-finetuned-ucf101")

inputs = feature_extractor(list(video), return_tensors="pt")

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

# model predicts one of the 101 UCF101 classes
predicted_label = logits.argmax(-1).item()
print(model.config.id2label[predicted_label])

📚 ドキュメント

モデルの詳細

モデルの説明

UCF101でFine-tuningされたVideoMAE Baseモデルです。

• 開発者: @nateraw
• 共有者 [オプション]: [詳細情報が必要]
• モデルタイプ: fine-tuned
• 言語 (NLP): en
• ライセンス: mit
• 関連モデル [オプション]: [詳細情報が必要]
  • 親モデル [オプション]: MCG-NJU/videomae-base
• 詳細情報のリソース: [詳細情報が必要]

トレーニングの詳細

トレーニングデータ

[詳細情報が必要]

トレーニング手順 [オプション]

前処理

動画から64フレームのクリップをサンプリングし、それらのフレームを均等にサンプリングして、モデルに16フレームの入力を取得しました。トレーニング中は、PyTorchVideoのMixVideoを使用して、mixup/cutmixを適用しました。

速度、サイズ、時間

[詳細情報が必要]

評価

テストデータ、要因、メトリクス

テストデータ

[詳細情報が必要]

要因

[詳細情報が必要]

メトリクス

[詳細情報が必要]

結果

UCF101のアノテーションの1つのフォールドのみをトレーニング/評価しました。VideoMAEの論文とは異なり、検証動画の複数のクロップ/セグメントに対して推論を行わなかったため、結果はそうした場合よりもわずかに低くなる可能性があります。

• 評価精度: 0.758209764957428
• 評価精度（上位5）: 0.8983050584793091

環境への影響

炭素排出量は、Lacoste et al. (2019)で提示されたMachine Learning Impact calculatorを使用して推定できます。

• ハードウェアタイプ: [詳細情報が必要]
• 使用時間: [詳細情報が必要]
• クラウドプロバイダー: [詳細情報が必要]
• コンピュートリージョン: [詳細情報が必要]
• 排出された炭素量: [詳細情報が必要]

🔧 技術詳細

ドキュメントに技術詳細が不十分なため、このセクションをスキップします。

📄 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。