jepa

jepa

先进的自监督视频表征学习方法

V-JEPA是一种创新的视频联合嵌入预测架构,专为自监督学习而设计。该方法仅通过观察VideoMix2M数据集的视频像素进行训练,不依赖预训练图像编码器、文本信息、负样本、人工标注或像素级重建。V-JEPA生成的视觉表征具有多功能性,能够在各种下游视频和图像任务中实现优异性能,无需对模型参数进行微调。其特征预测展现出良好的时空一致性,并可通过条件扩散模型转化为可解释的像素表示。

V-JEPA视频处理自监督学习视觉表示特征预测Github开源项目

V-JEPA:视频联合嵌入预测架构

PyTorch官方代码库,用于视频联合嵌入预测架构V-JEPA,这是一种从视频中自监督学习视觉表示的方法。

Meta AI研究院,FAIR

Adrien Bardes、Quentin Garrido、Jean Ponce、Xinlei Chen、Michael Rabbat、Yann LeCun、Mahmoud Assran*、Nicolas Ballas*

[博客] [论文] [Yannic Kilcher的视频]

V-JEPA模型通过被动观看来自VideoMix2M数据集的视频像素进行训练,产生多功能的视觉表示,这些表示在下游视频和图像任务上表现出色,无需调整模型参数;例如,使用冻结的骨干网络和仅有的轻量级任务特定注意力探针。

方法

V-JEPA预训练仅基于无监督特征预测目标,不使用预训练的图像编码器、文本、负样本、人工标注或像素级重建。

<img src="https://github.com/facebookresearch/jepa/assets/7530871/72df7ef0-2ef5-48bb-be46-27963db91f3d" width=40%> &emsp;&emsp;&emsp;&emsp;&emsp; <img src="https://github.com/facebookresearch/jepa/assets/7530871/f26b2e96-0227-44e2-b058-37e7bf1e10db" width=40%>

可视化

与具有像素解码器的生成方法不同,V-JEPA有一个在潜在空间中进行预测的预测器。 我们训练了一个条件扩散模型,将V-JEPA特征空间预测解码为可解释的像素;在此过程中,预训练的V-JEPA编码器和预测器网络保持冻结状态。 解码器仅输入视频缺失区域的预测表示,无法访问视频的未遮蔽区域。

V-JEPA的特征预测确实是有根据的,并且与视频未遮蔽区域表现出时空一致性。

<img src="https://github.com/facebookresearch/jepa/assets/7530871/8bb5e338-0db8-4532-ba6f-fc62729acc26" width=90%> <br/> <img src="https://github.com/facebookresearch/jepa/assets/7530871/93e15a3b-9119-4149-ac88-4e6288f2043d" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/7efd2ee2-2aa0-4065-a4a6-12f1d9d0499c" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/06626018-cd5a-4536-9d0e-de58506ce5ed" width=22%> <img src="https://github.com/facebookresearch/jepa/assets/7530871/766da53a-e6b8-4f94-82c8-9a53b4764358" width=22%> <br/>

模型库

预训练模型

<table> <tr> <th colspan="1">模型</th> <th colspan="1">patch大小</th> <th colspan="1">分辨率</th> <th colspan="1">迭代次数</th> <th colspan="1">批量大小</th> <th colspan="1">数据</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L</td> <td>2x16x16</td> <td>224x224</td> <td>90K</td> <td>3072</td> <td>VideoMix2M</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/vitl16.pth.tar">检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/pretrain/vitl16.yaml">配置</a></td> </tr> <tr> <td>ViT-H</td> <td>2x16x16</td> <td>224x224</td> <td>90K</td> <td>3072</td> <td>VideoMix2M</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/vith16.pth.tar">检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/pretrain/vith16.yaml">配置</a></td> </tr> <tr> <td>ViT-H</td> <td>2x16x16</td> <td>384x384</td> <td>90K</td> <td>2400</td> <td>VideoMix2M</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/vith16-384.pth.tar">检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/pretrain/vith16_384.yaml">配置</a></td> </tr> </table>

K400注意力探针

<table> <tr> <th colspan="1">模型</th> <th colspan="1">分辨率</th> <th colspan="1">准确率 (16x8x3)</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L/16</td> <td>224x224</td> <td>80.8</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/k400-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vitl16_k400_16x8x3.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>224x224</td> <td>82.0</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/k400-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_k400_16x8x3.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>384x384</td> <td>81.9</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/k400-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_384_k400_16x8x3.yaml">配置</a></td> </tr> </table>

SSv2注意力探针

<table> <tr> <th colspan="1">模型</th> <th colspan="1">分辨率</th> <th colspan="1">准确率 (16x2x3)</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L/16</td> <td>224x224</td> <td>69.5</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/ssv2-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vitl16_ssv2_16x2x3.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>224x224</td> <td>71.4</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/ssv2-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_ssv2_16x2x3.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>384x384</td> <td>72.2</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/ssv2-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_384_ssv2_16x2x3.yaml">配置</a></td> </tr> </table>

ImageNet1K注意力探针

<table> <tr> <th colspan="1">模型</th> <th colspan="1">分辨率</th> <th colspan="1">准确率</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L/16</td> <td>224x224</td> <td>74.8</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/in1k-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vitl16_in1k.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>224x224</td> <td>75.9</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/in1k-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_in1k.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>384x384</td> <td>77.4</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/in1k-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_384_in1k.yaml">配置</a></td> </tr> </table>

Places205 注意力探针

<table> <tr> <th colspan="1">模型</th> <th colspan="1">分辨率</th> <th colspan="1">准确率</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L/16</td> <td>224x224</td> <td>60.3</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/places-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vitl16_places.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>224x224</td> <td>61.7</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/places-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_places.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>384x384</td> <td>62.8</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/places-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_384_places.yaml">配置</a></td> </tr> </table>

iNat21 注意力探针

<table> <tr> <th colspan="1">模型</th> <th colspan="1">分辨率</th> <th colspan="1">准确率</th> <th colspan="2">下载</th> </tr> <tr> <td>ViT-L/16</td> <td>224x224</td> <td>67.8</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vitl16/inat-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vitl16_inat.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>224x224</td> <td>67.9</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16/inat-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_inat.yaml">配置</a></td> </tr> <tr> <td>ViT-H/16</td> <td>384x384</td> <td>72.6</td> <td><a href="https://dl.fbaipublicfiles.com/jepa/vith16-384/inat-probe.pth.tar">注意力探针检查点</a></td> <td><a href="https://github.com/facebookresearch/jepa/blob/master/configs/evals/vith16_384_inat.yaml">配置</a></td> </tr> </table>

代码结构

配置文件: 所有实验参数都在配置文件中指定(而不是命令行参数)。查看 configs/ 目录以获取示例配置文件。注意,在启动实验之前,您必须更新配置文件中的路径,指向您自己的目录,指示在哪里保存日志和检查点,以及在哪里找到训练数据。

.
├── app                       # 唯一允许训练循环的地方
│   ├── vjepa                 #   视频 JEPA 预训练
│   ├── main_distributed.py   #   在 slurm 集群上启动应用程序的入口点
│   └── main.py               #   在本地机器上启动应用程序以进行调试的入口点
├── evals                     # 唯一允许评估"应用程序"的地方
│   ├── image_classification  #   使用冻结的主干网络训练注意力探针进行图像分类
│   ├── video_classification  #   使用冻结的主干网络训练注意力探针进行视频分类
│   ├── main_distributed.py   #   在 slurm 集群上启动分布式评估的入口点
│   └── main.py               #   在本地机器上启动评估以进行调试的入口点
├── src                       # 包
│   ├── datasets              #   数据集、数据加载器等
│   ├── models                #   模型定义
│   ├── masks                 #   掩码整理器、掩码实用程序等
│   └── utils                 #   共享实用程序
└── configs                   # 唯一允许配置文件的地方(指定应用程序/评估运行的实验参数)
    ├── evals                 #   用于启动 vjepa 冻结评估的配置
    └── pretrain              #   用于启动 vjepa 预训练的配置

数据准备

视频数据集

V-JEPA 预训练和评估可以使用许多标准视频格式。 要使视频数据集与 V-JEPA 代码库兼容,您只需创建一个具有以下格式的 .csv 文件,然后在配置中指定此 CSV 文件的路径。

/绝对文件路径.[mp4, webvid, 等] $整数类别标签
/绝对文件路径.[mp4, webvid, 等] $整数类别标签
/绝对文件路径.[mp4, webvid, 等] $整数类别标签
...

由于 V-JEPA 完全是无监督的,预训练代码将忽略 CSV 文件中的 $整数类别标签。 因此,您可以在这一列中放入随机值。 但是,如果您希望在视频数据集上运行有监督的视频分类评估,则必须将 $整数类别标签 替换为每个视频的真实标签。

图像数据集

我们在图像分类评估中使用标准的 PyTorch ImageFolder 类。 因此,要为图像分类评估设置图像数据集,首先创建一个目录来存储您的图像数据集 $存储图像数据集的目录。 接下来,将您的图像数据集下载到此目录中,格式与 PyTorch ImageFolder 兼容。

例如,假设我们有一个名为 my_image_datasets 的目录。然后我们将图像数据集下载到这个目录中,最终得到以下文件树结构:

.
└── /my_image_datasets/                # 存储图像数据集的位置
    ├── places205/121517/pytorch/      #   Places205
    │   └── [...]
    ├── iNaturalist-2021/110421/       #   iNaturalist21
    │   └── [...]
    ├── [...]                          #   其他图像数据集
    │   └── [...]
    └── imagenet_full_size/061417/     #   ImageNet1k
        └── train
        │   ├── $class_1
        │   │    ├── xxx.[png, jpeg, 等]
        │   │    ├── [...]
        │   │    └── xxz.[png, jpeg, 等]
        │   ├── [...]
        │   └── $class_n
        │       ├── abc.[png, jpeg, 等]
        │       ├── [...]
        │       └── abz.[png, jpeg, 等]
        └── val
            ├── $class_1
            │    ├── xxx.[png, jpeg, 等]
            │    ├── [...]
            │    └── xxz.[png, jpeg, 等]
            ├── [...]
            └── $class_n
                ├── abc.[png, jpeg, 等]
                ├── [...]
                └── abz.[png, jpeg, 等]

启动 V-JEPA 预训练

本地训练

如果您希望在启动分布式训练运行之前调试代码或设置,我们提供了在多GPU(或单GPU)机器上本地运行预训练脚本的功能,但复现我们的结果需要启动分布式训练。

单机实现从app/main.py开始,它解析实验配置文件并在多GPU(或单GPU)机器上本地运行预训练。 例如,要在本地机器上使用配置configs/pretrain/vitl16.yaml在GPU "0"、"1"和"2"上运行V-JEPA预训练,请输入以下命令:

python -m app.main \ --fname configs/pretrain/vitl16.yaml \ --devices cuda:0 cuda:1 cuda:2

分布式训练

要启动分布式训练运行,实现从app/main_distributed.py开始,除了解析配置文件外,还允许指定分布式训练的详细信息。对于分布式训练,我们使用流行的开源工具submitit,并为SLURM集群提供示例。

例如,要使用配置configs/pretrain/vitl16.yaml启动分布式预训练实验,请输入以下命令:

python -m app.main_distributed \ --fname configs/pretrain/vitl16.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition

启动评估

本地训练

如果您希望在启动分布式训练运行之前调试评估代码或设置,我们提供了在多GPU(或单GPU)机器上本地运行评估脚本的功能,但复现完整评估需要启动分布式训练。 单机实现从eval/main.py开始,它解析实验配置文件并在多GPU(或单GPU)机器上本地运行评估。

例如,要在本地机器上使用配置configs/eval/vitl16_in1k.yaml在GPU "0"、"1"和"2"上运行ImageNet图像分类,请输入以下命令:

python -m evals.main \ --fname configs/eval/vitl16_in1k.yaml \ --devices cuda:0 cuda:1 cuda:2

分布式训练

要启动分布式评估运行,实现从eval/main_distributed.py开始,除了解析配置文件外,还允许指定分布式训练的详细信息。对于分布式训练,我们使用流行的开源工具submitit,并为SLURM集群提供示例。

例如,要使用配置configs/eval/vitl16_in1k.yaml启动分布式ImageNet图像分类实验,请输入以下命令:

python -m evals.main_distributed \ --fname configs/eval/vitl16_in1k.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition

同样,要使用配置configs/eval/vitl16_k400.yaml启动分布式K400视频分类实验,请输入以下命令:

python -m evals.main_distributed \ --fname configs/eval/vitl16_k400.yaml \ --folder $path_to_save_stderr_and_stdout \ --partition $slurm_partition

设置

运行:

conda create -n jepa python=3.9 pip conda activate jepa python setup.py install

许可证

有关此代码发布的许可证详细信息,请参见LICENSE文件。

引用

如果您在研究中发现此存储库有用,请考虑给予星标:star:并引用

@article{bardes2024revisiting, title={Revisiting Feature Prediction for Learning Visual Representations from Video}, author={Bardes, Adrien and Garrido, Quentin and Ponce, Jean and Rabbat, Michael, and LeCun, Yann and Assran, Mahmoud and Ballas, Nicolas}, journal={arXiv:2404.08471}, year={2024} }

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多