mvit_v1_b¶
- torchvision.models.video.mvit_v1_b(*, weights: Optional[MViT_V1_B_Weights] = None, progress: bool = True, **kwargs: Any) MViT[source]¶
從 Multiscale Vision Transformers 構建基礎 MViTV1 架構。
警告
影片模組處於 Beta 階段，不保證向後相容性。
- 引數:
weights (
MViT_V1_B_Weights, optional) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下方的MViT_V1_B_Weights。預設情況下，不使用預訓練權重。progress (bool, optional) – 如果為 True，則在 stderr 中顯示下載進度條。預設值為 True。
**kwargs – 傳遞給
torchvision.models.video.MViT基類的引數。請參閱 原始碼 獲取有關此類的更多詳細資訊。
- class torchvision.models.video.MViT_V1_B_Weights(value)[source]¶
上述模型構建器接受以下值作為
weights引數。MViT_V1_B_Weights.DEFAULT等同於MViT_V1_B_Weights.KINETICS400_V1。您也可以使用字串，例如weights='DEFAULT'或weights='KINETICS400_V1'。MViT_V1_B_Weights.KINETICS400_V1:
權重來自論文。準確率是在影片級別使用引數 frame_rate=7.5、clips_per_video=5 和 clip_len=16 估算的。也可透過
MViT_V1_B_Weights.DEFAULT使用。acc@1 (在 Kinetics-400 上)
78.477
acc@5 (在 Kinetics-400 上)
93.582
最小尺寸
height=224, width=224
最小時間尺寸
16
類別
攀巖繩降, 空氣擊鼓, 回答問題, … (省略 397 個)
配置
引數數量
36610672
GFLOPS
70.60
檔案大小
139.8 MB
推理變換可透過
MViT_V1_B_Weights.KINETICS400_V1.transforms獲得，並執行以下預處理操作：接受批處理的(B, T, C, H, W)和單個(T, C, H, W)影片幀torch.Tensor物件。幀使用interpolation=InterpolationMode.BILINEAR調整大小到resize_size=[256]，然後進行中心裁剪crop_size=[224, 224]。最後，值首先重新縮放到[0.0, 1.0]，然後使用mean=[0.45, 0.45, 0.45]和std=[0.225, 0.225, 0.225]進行歸一化。最終輸出維度排列為(..., C, T, H, W)tensors。
