Xclip Base Patch16 Kinetics 600 16 Frames

🚀 X-CLIP（基礎尺寸模型）

X-CLIP是一個用於通用視頻語言理解的模型，它在視頻分類和視頻文本檢索等任務中表現出色，為視頻相關的人工智能應用提供了強大的支持。

🚀 快速開始

X-CLIP（基礎尺寸，補丁分辨率為16）模型在 Kinetics-600 數據集上進行了全監督訓練。該模型由Ni等人在論文 Expanding Language-Image Pretrained Models for General Video Recognition 中提出，並首次在 此倉庫 中發佈。

此模型在訓練時每個視頻使用16幀，分辨率為224x224。

免責聲明：發佈X-CLIP的團隊並未為此模型編寫模型卡片，本模型卡片由Hugging Face團隊編寫。

✨ 主要特性

模型描述

X-CLIP是 CLIP 的擴展，用於通用視頻語言理解。該模型在（視頻，文本）對上進行對比訓練。

這使得該模型可用於零樣本、少樣本或全監督視頻分類以及視頻文本檢索等任務。

預期用途和侷限性

你可以使用原始模型來判斷給定視頻與文本的匹配程度。可在 模型中心 中查找針對你感興趣的任務進行微調的版本。

使用方法

有關代碼示例，請參考 文檔。

訓練數據

該模型在 Kinetics-600 數據集上進行訓練。

預處理

訓練期間預處理的確切細節可在 此處 找到。

驗證期間預處理的確切細節可在 此處 找到。

在驗證期間，會調整每一幀的短邊大小，然後進行中心裁剪以達到固定大小的分辨率（如224x224）。接下來，使用ImageNet的均值和標準差對幀的RGB通道進行歸一化處理。

評估結果

該模型的前1準確率達到85.8%，前5準確率達到97.3%。

📄 許可證

本項目採用MIT許可證。