microsoft/xclip-base-patch16

X-CLIP es una extensión mínima de CLIP para la comprensión general de video-lenguaje. El modelo está entrenado de manera contrastiva en pares (video, texto). Esto permite que el modelo se use para tareas como clasificación de video sin entrenamiento, con poco entrenamiento o completamente supervisada y recuperación de video-texto. Fue introducido en el documento Expanding Language-Image Pretrained Models for General Video Recognition por Ni et al. y fue lanzado por primera vez en este repositorio. Este modelo fue entrenado utilizando 8 fotogramas por video, a una resolución de 224x224. El equipo que lanzó X-CLIP no escribió una tarjeta de modelo para este modelo, por lo que esta tarjeta de modelo ha sido escrita por el equipo de Hugging Face.