mvit_v2_s¶
- torchvision.models.video.mvit_v2_s(※, weights: Optional[MViT_V2_S_Weights] = None, progress: bool = True, **kwargs: Any) MViT[原始碼]¶
構造一個小的 MViTV2 架構，來自 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.
- 引數:
weights (
MViT_V2_S_Weights, 可選) – 使用的預訓練權重。有關更多詳細資訊和可能的值，請參閱下面的MViT_V2_S_Weights。預設情況下，不使用預訓練權重。progress (bool, optional) – 如果為 True，則在 stderr 上顯示下載進度條。預設為 True。
**kwargs – 傳遞給
torchvision.models.video.MViT基類的引數。有關此類的更多詳細資訊，請參閱 原始碼。
- class torchvision.models.video.MViT_V2_S_Weights(value)[原始碼]¶
上面的模型構建器接受以下值作為
weights引數。MViT_V2_S_Weights.DEFAULT等同於MViT_V2_S_Weights.KINETICS400_V1。您也可以使用字串，例如weights='DEFAULT'或weights='KINETICS400_V1'。MViT_V2_S_Weights.KINETICS400_V1:
權重是從論文移植過來的。精度是根據影片級別的引數 frame_rate=7.5、clips_per_video=5 和 clip_len=16 估算的。也可作為
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
類別
abseiling, air drumming, answering questions, … (省略397項)
方案
引數數量
34537744
GFLOPS
64.22
檔案大小
131.9 MB
推理變換可在
MViT_V2_S_Weights.KINETICS400_V1.transforms找到，並執行以下預處理操作：接受批處理的(B, T, C, H, W)和單個(T, C, H, W)影片幀torch.Tensor物件。使用interpolation=InterpolationMode.BILINEAR將幀調整大小到resize_size=[256]，然後進行中心裁剪crop_size=[224, 224]。最後，將值首先縮放到[0.0, 1.0]，然後使用mean=[0.45, 0.45, 0.45]和std=[0.225, 0.225, 0.225]進行歸一化。最後，輸出維度被置換為(..., C, T, H, W)的張量。
