swin3d_t

torchvision.models.video.swin3d_t(*, weights: Optional[Swin3D_T_Weights] = None, progress: bool = True, **kwargs: Any) → SwinTransformer3d

構建來自 Video Swin Transformer 的 swin_tiny 架構。

引數：

• weights (Swin3D_T_Weights, 可選) – 要使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下面的 Swin3D_T_Weights。預設情況下，不使用預訓練權重。

• progress (bool, 可選) – 如果為 True，則在標準錯誤輸出中顯示下載進度條。預設為 True。

• **kwargs – 傳遞給 torchvision.models.video.swin_transformer.SwinTransformer 基類的引數。請參考 原始碼 獲取有關此類的更多詳細資訊。

class torchvision.models.video.Swin3D_T_Weights(value)

上面的模型構建器接受以下值作為 weights 引數。Swin3D_T_Weights.DEFAULT 等同於 Swin3D_T_Weights.KINETICS400_V1。您也可以使用字串，例如 weights='DEFAULT' 或 weights='KINETICS400_V1'。

Swin3D_T_Weights.KINETICS400_V1:

該權重是從論文中移植而來。準確率是在影片級別估計的，引數為 frame_rate=15, clips_per_video=12, clip_len=32。也可透過 Swin3D_T_Weights.DEFAULT 獲取。

acc@1 (在 Kinetics-400 上)	77.715
acc@5 (在 Kinetics-400 上)	93.519
類別	abseiling, air drumming, answering questions, … (省略 397 個)
最小尺寸	高度=1, 寬度=1
最小時間尺寸	1
實現方法	連結
引數數量	28158070
GFLOPS	43.88
檔案大小	121.5 MB

推理轉換可透過 Swin3D_T_Weights.KINETICS400_V1.transforms 獲取，並執行以下預處理操作：接受批次 (B, T, C, H, W) 和單個 (T, C, H, W) 影片幀 torch.Tensor 物件。使用 interpolation=InterpolationMode.BILINEAR 將幀大小調整為 resize_size=[256]，然後進行 crop_size=[224, 224] 的中心裁剪。最後，先將值重新縮放至 [0.0, 1.0]，然後使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.224, 0.225] 進行歸一化。最終輸出維度被重新排列為 (..., C, T, H, W) 張量。