mvit_v2_s

torchvision.models.video.mvit_v2_s(※, weights: Optional[MViT_V2_S_Weights] = None, progress: bool = True, **kwargs: Any) → MViT

构造一个小的 MViTV2 架构，来自 Multiscale Vision Transformers 和 MViTv2: Improved Multiscale Vision Transformers for Classification and Detection。

警告

The video module is in Beta stage, and backward compatibility is not guaranteed.

参数:

• weights (MViT_V2_S_Weights, 可选) – 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 MViT_V2_S_Weights。默认情况下，不使用预训练权重。

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

class torchvision.models.video.MViT_V2_S_Weights(value)

上面的模型构建器接受以下值作为 weights 参数。MViT_V2_S_Weights.DEFAULT 等同于 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:

权重是从论文移植过来的。精度是根据视频级别的参数 frame_rate=7.5、clips_per_video=5 和 clip_len=16 估算的。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
min_size	height=224, width=224
min_temporal_size	16
类别	abseiling, air drumming, answering questions, … (省略397项)
方案	链接
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 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 将帧调整大小到 resize_size=[256]，然后进行中心裁剪 crop_size=[224, 224]。最后，将值首先缩放到 [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) 的张量。