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[source]

Multiscale Vision Transformers 构建基础 MViTV1 架构。

警告

视频模块处于 Beta 阶段,不保证向后兼容性。

参数:
  • weights (MViT_V1_B_Weights, optional) – 要使用的预训练权重。有关更多详细信息和可能的值,请参阅下方的 MViT_V1_B_Weights。默认情况下,不使用预训练权重。

  • progress (bool, optional) – 如果为 True,则在 stderr 中显示下载进度条。默认值为 True。

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

class torchvision.models.video.MViT_V1_B_Weights(value)[source]

上述模型构建器接受以下值作为 weights 参数。MViT_V1_B_Weights.DEFAULT 等同于 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:

权重来自论文。准确率是在视频级别使用参数 frame_rate=7.5clips_per_video=5clip_len=16 估算的。也可通过 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

最小时间尺寸

16

类别

攀岩绳降, 空气击鼓, 回答问题, … (省略 397 个)

配置

链接

参数数量

36610672

GFLOPS

70.60

文件大小

139.8 MB

推理变换可通过 MViT_V1_B_Weights.KINETICS400_V1.transforms 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 调整大小到 resize_size=[256],然后进行中心裁剪 crop_size=[224, 224]。最后,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。最终输出维度排列为 (..., C, T, H, W) tensors。

文档

访问全面的 PyTorch 开发者文档

查看文档

教程

获取面向初学者和高级开发者的深入教程

查看教程

开发者资源

查找开发资源并获得解答

查看开发者资源