microsoft/xclip-base-patch16-16-frames

El modelo X-CLIP (tamaño base, resolución de parche 16) fue entrenado de manera completamente supervisada en Kinetics-400. Fue presentado en el artículo 'Expanding Language-Image Pretrained Models for General Video Recognition' por Ni et al. y lanzado por primera vez en este repositorio. Este modelo fue entrenado usando 16 cuadros por video, a una resolución de 224x224. 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), lo que permite que sea usado para tareas como clasificación de video en cero tiros, algunos tiros o completamente supervisada y recuperación de video-texto.