swin3d_s

torchvision.models.video.swin3d_s(*, weights: Optional[Swin3D_S_Weights] = None, progress: bool = True, **kwargs: Any) → SwinTransformer3d

从 Video Swin Transformer 构建一个 swin_small 架构。

参数:

• weights (Swin3D_S_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 Swin3D_S_Weights。默认情况下，不使用预训练权重。

• progress (bool, optional) – 如果为 True，则在标准错误输出中显示下载进度条。默认为 True。

• **kwargs – 传递给 torchvision.models.video.swin_transformer.SwinTransformer 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.Swin3D_S_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。Swin3D_S_Weights.DEFAULT 等同于 Swin3D_S_Weights.KINETICS400_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='KINETICS400_V1'。

Swin3D_S_Weights.KINETICS400_V1:

这些权重是从论文中移植的。准确度是在视频级别估计的，参数为 frame_rate=15，clips_per_video=12 和 clip_len=32。也可作为 Swin3D_S_Weights.DEFAULT 使用。

acc@1（在 Kinetics-400 上）	79.521
acc@5（在 Kinetics-400 上）	94.158
类别	速降、空气打鼓、回答问题，…（省略 397 项）
最小尺寸	高度=1, 宽度=1
最小时间尺寸	1
方法	链接
参数数量	49816678
GFLOPS	82.84
文件大小	218.3 MB

推理转换可在 Swin3D_S_Weights.KINETICS400_V1.transforms 处获得，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。帧使用 interpolation=InterpolationMode.BILINEAR 被重塑为 resize_size=[256]，然后进行中心裁剪，裁剪尺寸为 crop_size=[224, 224]。最后，值首先被重新缩放到 [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，输出维度被排列为 (..., C, T, H, W) 张量。