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 Multiscale Vision Transformers 和 MViTv2: Improved Multiscale Vision Transformers for Classification and Detection 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。
- 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，请参阅下面的MViT_V2_S_Weights。默认情况下，不使用预训练权重。progress (bool, 可选) – 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。有关此类更多详细信息，请参阅 源代码。
- class 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:
这些权重是从论文中移植的。准确度是在视频级别上估算的，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
min_size
height=224, width=224
min_temporal_size
16
类别
abseiling, air drumming, answering questions, … (省略397项)
方案
参数数量
34537744
GFLOPS
64.22
文件大小
131.9 MB
推理转换可在
MViT_V2_S_Weights.KINETICS400_V1.transforms获取，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将帧调整到resize_size=[256]，然后进行中心裁剪crop_size=[224, 224]。最后，值首先被缩放到[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，将输出维度置换为(..., C, T, H, W)张量。
