Videomae для обнаружения краж в магазинах

videomae-base-finetuned-kinetics-finetuned-shoplifting-dataset

Эта модель является дообученной версией модели MCG-NJU/videomae-base-finetuned-kinetics на некотором наборе данных (предположительно, на данных о магазинных кражах). Она достигает следующих результатов на оценочном наборе:

• Потери (Loss): 0.9494
• F1-мера: 0.7192

Описание модели

Модель предназначена для классификации видеоматериалов, в частности, для детектирования инцидентов, связанных с магазинными кражами. Она основана на архитектуре VideoMAE, которая эффективно обрабатывает пространственно-временные характеристики видео.

Предполагаемые варианты использования и ограничения

Модель может быть использована в системах видеонаблюдения для автоматического обнаружения подозрительного поведения, связанного с кражами в торговых помещениях. Это поможет повысить эффективность безопасности и снизить потери от краж. Ограничения могут включать зависимость от качества видеоматериала и возможные ложные срабатывания при наличии схожих, но некриминальных действий. Также, модель может быть ограничена в обобщении на сценарии, существенно отличающиеся от тех, на которых она была обучена.

Данные для обучения и оценки

Модель была дообучена на неизвестном наборе данных, который, судя по названию, связан с видеоматериалами, демонстрирующими магазинные кражи (shoplifting dataset).

Процедура обучения

Гиперпараметры обучения

Во время обучения использовались следующие гиперпараметры:

• Скорость обучения (learning_rate): 5e-05
• Размер пакета для обучения (train_batch_size): 8
• Размер пакета для оценки (eval_batch_size): 8
• Начальное значение для генератора случайных чисел (seed): 42
• Оптимизатор (optimizer): Adam с параметрами betas=(0.9, 0.999) и epsilon=1e-08
• Тип планировщика скорости обучения (lr_scheduler_type): linear
• Коэффициент прогрева планировщика скорости обучения (lr_scheduler_warmup_ratio): 0.1
• Шаги обучения (training_steps): 880

Результаты обучения

Метрики качества

Финальные метрики, достигнутые моделью после обучения:

• Потери при валидации (Validation Loss): 1.4464
• F1-мера: 0.7006

Версии фреймворков

• Transformers: 4.42.4
• Pytorch: 2.2.0
• Datasets: 2.20.0
• Tokenizers: 0.19.1

Ссылки

Awais1718/videomae-base-finetuned-kinetics-finetuned-shoplifting-dataset