rapadilla/xclip-base-patch32

X-CLIP es una extensión mínima de CLIP para la comprensión general de video-lenguaje. El modelo se entrena de manera contrastiva en pares (video, texto). Esto permite que el modelo se utilice para tareas como clasificación de video zero-shot, few-shot o completamente supervisada y recuperación de video-texto. El modelo X-CLIP (tamaño base, resolución de parche de 32) fue entrenado completamente supervisado en Kinetics-400. Fue introducido en el artículo `Expanding Language-Image Pretrained Models for General Video Recognition` por Ni et al. y se publicó por primera vez en este repositorio. Este modelo se entrenó usando 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.