swin3d_b¶
- torchvision.models.video.swin3d_b(*, weights: Optional[Swin3D_B_Weights] = None, progress: bool = True, **kwargs: Any) SwinTransformer3d[source]¶
根据 Video Swin Transformer 构建一个 swin_base 架构。
- 参数：
weights (
Swin3D_B_Weights, 可选) – 要使用的预训练权重。请参阅下方Swin3D_B_Weights以了解更多详情和可能的值。默认情况下，不使用预训练权重。progress (bool, 可选) – 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.swin_transformer.SwinTransformer基类的参数。请参阅源代码了解有关此类的更多详细信息。
- class torchvision.models.video.Swin3D_B_Weights(value)[source]¶
上述模型构建器接受以下值作为
weights参数。Swin3D_B_Weights.DEFAULT等同于Swin3D_B_Weights.KINETICS400_V1。您也可以使用字符串，例如weights='DEFAULT'或weights='KINETICS400_V1'。Swin3D_B_Weights.KINETICS400_V1:
权重从论文中移植而来。准确率是使用参数 frame_rate=15、clips_per_video=12 和 clip_len=32 在视频级别估算的。也可作为
Swin3D_B_Weights.DEFAULT使用。acc@1 (在 Kinetics-400 上)
79.427
acc@5 (在 Kinetics-400 上)
94.386
类别
绳降、空气打鼓、回答问题、… (省略 397 个)
最小尺寸
height=1, width=1
最小时间尺寸
1
秘籍
参数数量
88048984
GFLOPS
140.67
文件大小
364.1 MB
推理变换可在
Swin3D_B_Weights.KINETICS400_V1.transforms找到，并执行以下预处理操作：接受批量(B, T, C, H, W)和单个(T, C, H, W)视频帧torch.Tensor对象。使用interpolation=InterpolationMode.BILINEAR将帧大小调整到resize_size=[256]，然后进行crop_size=[224, 224]的中心裁剪。最后，首先将值重新缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。最后将输出维度重排为(..., C, T, H, W)张量。Swin3D_B_Weights.KINETICS400_IMAGENET22K_V1:
权重从论文中移植而来。准确率是使用参数 frame_rate=15、clips_per_video=12 和 clip_len=32 在视频级别估算的。
acc@1 (在 Kinetics-400 上)
81.643
acc@5 (在 Kinetics-400 上)
95.574
类别
绳降、空气打鼓、回答问题、… (省略 397 个)
最小尺寸
height=1, width=1
最小时间尺寸
1
秘籍
参数数量
88048984
GFLOPS
140.67
文件大小
364.1 MB
推理变换可在
Swin3D_B_Weights.KINETICS400_IMAGENET22K_V1.transforms找到，并执行以下预处理操作：接受批量(B, T, C, H, W)和单个(T, C, H, W)视频帧torch.Tensor对象。使用interpolation=InterpolationMode.BILINEAR将帧大小调整到resize_size=[256]，然后进行crop_size=[224, 224]的中心裁剪。最后，首先将值重新缩放到[0.0, 1.0]，然后使用mean=[0.485, 0.456, 0.406]和std=[0.229, 0.224, 0.225]进行归一化。最后将输出维度重排为(..., C, T, H, W)张量。
