Xclip Base Patch16 Hmdb 16 Shot

🚀 X-CLIP（基礎大小模型）

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，能以少樣本學習的方式在特定數據集上進行訓練。

🚀 快速開始

X-CLIP（基礎大小，補丁分辨率為16）模型以少樣本學習的方式（K = 16）在 HMDB - 51 數據集上進行訓練。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](https://github.com/microsoft/VideoX/tree/master/X - CLIP) 中發佈。

此模型在訓練時每個視頻使用32幀，分辨率為224x224。

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

✨ 主要特性

• 通用視頻語言理解：X - CLIP是 CLIP 的擴展，經過對比訓練，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。

📚 詳細文檔

預期用途和限制

你可以使用原始模型來判斷文本與給定視頻的匹配程度。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

此模型在 HMDB - 51 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](https://github.com/microsoft/VideoX/blob/40f6d177e0a057a50ac69ac1de6b5938fd268601/X - CLIP/datasets/build.py#L247) 找到。

驗證期間預處理的確切細節可在 [此處](https://github.com/microsoft/VideoX/blob/40f6d177e0a057a50ac69ac1de6b5938fd268601/X - CLIP/datasets/build.py#L285) 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）。接著，使用ImageNet的均值和標準差對RGB通道的幀進行歸一化處理。

評估結果

此模型的top - 1準確率達到64.0%。

📄 許可證

本項目採用MIT許可證。

信息表格