快捷方式

mvit_v1_b

torchvision.models.video.mvit_v1_b(*, weights: Optional[MViT_V1_B_Weights] = None, progress: bool = True, **kwargs: Any) MViT[源代码]

多尺度视觉转换器构建基础 MViTV1 架构。

警告

视频模块处于测试阶段,不保证向后兼容性。

参数::
  • weights (MViT_V1_B_Weights, 可选) – 要使用的预训练权重。有关更多详细信息和可能的值,请参见下面的 MViT_V1_B_Weights。默认情况下,不使用任何预训练权重。

  • progress (bool, 可选) – 如果为 True,则在 stderr 上显示下载进度条。默认为 True。

  • **kwargs – 传递给 torchvision.models.video.MViT 基类的参数。有关此类的更多详细信息,请参阅 源代码

class torchvision.models.video.MViT_V1_B_Weights(value)[源代码]

上面的模型构建器接受以下值作为 weights 参数。MViT_V1_B_Weights.DEFAULT 等效于 MViT_V1_B_Weights.KINETICS400_V1。您也可以使用字符串,例如 weights='DEFAULT'weights='KINETICS400_V1'

MViT_V1_B_Weights.KINETICS400_V1:

这些权重是从论文中移植过来的。准确率是在视频级别上使用参数 frame_rate=7.5clips_per_video=5clip_len=16 估计的。也称为 MViT_V1_B_Weights.DEFAULT

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

类别

绳索下降,空气鼓,回答问题,……(省略 397 个)

食谱

链接

num_params

36610672

GFLOPS

70.60

文件大小

139.8 MB

推理转换可在 MViT_V1_B_Weights.KINETICS400_V1.transforms 中获得,并执行以下预处理操作:接受批处理的 (B, T, C, H, W) 和单个 (T, C, H, W) 视频帧 torch.Tensor 对象。帧使用 interpolation=InterpolationMode.BILINEAR 调整到 resize_size=[256],然后进行 crop_size=[224, 224] 的中心裁剪。最后,将值首先重新缩放到 [0.0, 1.0],然后使用 mean=[0.45, 0.45, 0.45]std=[0.225, 0.225, 0.225] 进行归一化。最后,输出维度将被置换为 (..., C, T, H, W) 张量。

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取面向初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源