mvit_v2_s¶
- torchvision.models.video.mvit_v2_s(*, weights: Optional[MViT_V2_S_Weights] = None, progress: bool = True, **kwargs: Any) MViT [源代码]¶
根据多尺度视觉转换器和MViTv2:改进的多尺度视觉转换器用于分类和检测构建小型 MViTV2 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_V2_S_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_V2_S_Weights
。默认情况下,不使用任何预训练权重。progress (布尔值,可选) – 如果为 True,则将下载进度条显示到标准错误输出。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。
- 类 torchvision.models.video.MViT_V2_S_Weights(value)[源代码]¶
上面的模型构建器接受以下值作为
weights
参数。MViT_V2_S_Weights.DEFAULT
等效于MViT_V2_S_Weights.KINETICS400_V1
。您也可以使用字符串,例如weights='DEFAULT'
或weights='KINETICS400_V1'
。MViT_V2_S_Weights.KINETICS400_V1:
这些权重是从论文中移植的。准确率是在视频级别上估计的,参数为frame_rate=7.5、clips_per_video=5和clip_len=16。也可作为
MViT_V2_S_Weights.DEFAULT
使用。acc@1(在 Kinetics-400 上)
80.757
acc@5(在 Kinetics-400 上)
94.665
最小尺寸
高度=224,宽度=224
最小时间尺寸
16
类别
绳索下降、空中击鼓、回答问题、……(省略 397 个)
配方
参数数量
34537744
GFLOPS
64.22
文件大小
131.9 MB
推理变换可在
MViT_V2_S_Weights.KINETICS400_V1.transforms
中找到,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。使用interpolation=InterpolationMode.BILINEAR
将帧调整为resize_size=[256]
,然后进行crop_size=[224, 224]
的中心裁剪。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]
和std=[0.225, 0.225, 0.225]
进行归一化。最后,输出维度被置换为(..., C, T, H, W)
张量。