视频 MViT

MViT 模型基于 MViTv2：改进的多尺度视觉 Transformer 用于分类和检测 和 多尺度视觉 Transformer 论文。

模型构建器

以下模型构建器可用于实例化 MViT v1 或 v2 模型，无论是否使用预训练权重。所有模型构建器在内部都依赖于 torchvision.models.video.MViT 基类。有关此类的更多详细信息，请参阅 源代码。

mvit_v1_b(*[, weights, progress])	从 多尺度视觉 Transformer 构建基础 MViTV1 架构。
mvit_v2_s(*[, weights, progress])	从 多尺度视觉 Transformer 和 MViTv2：改进的多尺度视觉 Transformer 用于分类和检测 构建小型 MViTV2 架构。