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建構基礎 MViTV1 架構。
警告
影片模組目前處於 Beta 階段，不保證向後相容性。
- 參數:
weights (
MViT_V1_B_Weights, optional) – 要使用的預訓練權重。請參閱下方的MViT_V1_B_Weights以取得更多詳細資訊和可能的值。預設情況下，不使用預訓練權重。progress (bool, optional) – 若為 True，則將下載進度條顯示至 stderr。預設值為 True。
**kwargs – 傳遞至
torchvision.models.video.MViT基礎類別的參數。關於此類別的更多詳細資訊，請參閱原始碼。
- class torchvision.models.video.MViT_V1_B_Weights(value)[source]¶
上述模型建構器接受以下值作為
weights參數。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:
權重從論文中移植而來。準確度是在影片層級估算的，參數為 frame_rate=7.5、clips_per_video=5 和 clip_len=16。也以
MViT_V1_B_Weights.DEFAULT提供。acc@1 (在 Kinetics-400 上)
78.477
acc@5 (在 Kinetics-400 上)
93.582
min_size
height=224, width=224
min_temporal_size
16
類別
垂降, 空氣鼓, 回答問題, … (省略 397 個)
食譜
num_params
36610672
GFLOPS
70.60
檔案大小
139.8 MB
推論轉換可在
MViT_V1_B_Weights.KINETICS400_V1.transforms中取得，並執行以下預處理操作：接受批次(B, T, C, H, W)和單一(T, C, H, W)影片幀torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將幀調整大小為resize_size=[256]，然後進行crop_size=[224, 224]的中心裁剪。最後，值會先重新縮放至[0.0, 1.0]，然後使用mean=[0.45, 0.45, 0.45]和std=[0.225, 0.225, 0.225]進行正規化。最後，輸出維度會置換為(..., C, T, H, W)張量。
