swin3d_t

torchvision.models.video.swin3d_t(*, weights: Optional[Swin3D_T_Weights] = None, progress: bool = True, **kwargs: Any) → SwinTransformer3d

构建来自 Video Swin Transformer 的 swin_tiny 架构。

参数：

• weights (Swin3D_T_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，请参阅下面的 Swin3D_T_Weights。默认情况下，不使用预训练权重。

• progress (bool, 可选) – 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。请参考 源代码 获取有关此类的更多详细信息。

class torchvision.models.video.Swin3D_T_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。Swin3D_T_Weights.DEFAULT 等同于 Swin3D_T_Weights.KINETICS400_V1。您也可以使用字符串，例如 weights='DEFAULT' 或 weights='KINETICS400_V1'。

Swin3D_T_Weights.KINETICS400_V1:

该权重是从论文中移植而来。准确率是在视频级别估计的，参数为 frame_rate=15, clips_per_video=12, clip_len=32。也可通过 Swin3D_T_Weights.DEFAULT 获取。

acc@1 (在 Kinetics-400 上)	77.715
acc@5 (在 Kinetics-400 上)	93.519
类别	abseiling, air drumming, answering questions, … (省略 397 个)
最小尺寸	高度=1, 宽度=1
最小时间尺寸	1
实现方法	链接
参数数量	28158070
GFLOPS	43.88
文件大小	121.5 MB

推理转换可通过 Swin3D_T_Weights.KINETICS400_V1.transforms 获取，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 将帧大小调整为 resize_size=[256]，然后进行 crop_size=[224, 224] 的中心裁剪。最后，先将值重新缩放至 [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。最终输出维度被重新排列为 (..., C, T, H, W) 张量。