---
title: multi-modal_hitea_video-captioning_base_en
canonical_url: "https://www.modelscope.cn/models/damo/multi-modal_hitea_video-captioning_base_en"
md_url: "https://www.modelscope.cn/models/damo/multi-modal_hitea_video-captioning_base_en.md"
repository: damo/multi-modal_hitea_video-captioning_base_en
chinese_name: "mPLUG-HiTeA-视频描述-英文-Base"
last_updated: 2023-01-04
license: "Apache License 2.0"
pipeline_tag: video-captioning
tasks:
  - video-captioning
model_type:
  - hitea
library_name:
  - pytorch
frameworks:
  - pytorch
language:
  - en
domain:
  - multi-modal
downloads: 1267569
stars: 71
tags:
  - transformer
  - AliceMind
  - Alibaba
  - "arxiv:abs/2212.14546"
---

# multi-modal_hitea_video-captioning_base_en

> multi-modal_hitea_video-captioning_base_en - damo 在 ModelScope 开源的模型。根据用户输入的任意视频，mPLUG-HiTeA AI智能模型能够在数秒内快速写出一句话对视频进行描述，可应用于视频标签与视频简介。

damo/multi-modal_hitea_video-captioning_base_en 是 ModelScope 魔搭社区上的video-captioning模型，采用 Apache License 2.0 许可。

- **Repository**: damo/multi-modal_hitea_video-captioning_base_en
- **License**: Apache License 2.0
- **Tasks**: video-captioning
- **Tags**: transformer, AliceMind, Alibaba, arxiv:abs/2212.14546
- **Downloads**: 1267569
- **Stars**: 71
- **Last updated**: 2023-01-04

Source: https://www.modelscope.cn/models/damo/multi-modal_hitea_video-captioning_base_en

---

# 视频描述介绍
视频描述：给定一个视频，模型根据视频信息生成一句对应描述。可以应用于给一张视频配上一句文字或者打个标签的场景。你只需要输入任意一个视频，很快你就能收获对于该视频的描述。

## 模型描述

本任务是mPLUG系列的HiTeA，在英文视频描述MSRVTT、MSVD与英文图片描述MS COCO Caption数据集进行finetune描述下游任务。HiTeA模型是统一理解和生成的多模态视频基础模型，该模型提出了基于时间层级式的视频多模态预训练任务。其中，HiTeA论文公开时在MSRVTT与MSVD的视频描述数据集上达到SOTA，详见：[HiTeA: Hierarchical Temporal-Aware Video-Language Pre-training](https://arxiv.org/abs/2212.14546)

![hitea](./resources/model.jpg)

## 期望模型使用方式以及适用范围
本模型主要用于给视频生成对应描述。用户可以自行尝试各种输入文档。具体调用方式请参考代码示例。

### 如何使用
在安装完成MaaS-lib之后即可使用video-captioning的能力

#### 推理代码范例
```python
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

model_id = 'damo/multi-modal_hitea_video-captioning_base_en'
input_caption = 'http://xke-repo.oss-cn-hangzhou.aliyuncs.com/models/release/vid_hitea_videocap.avi'

pipeline_caption = pipeline(Tasks.video_captioning, model=model_id)
result = pipeline_caption(input_caption)
print(result)

```

### 模型局限性以及可能的偏差
模型在数据集上训练，有可能产生一些偏差，请用户自行评测后决定如何使用。

## 训练数据介绍
本模型训练数据集是MSRVTT, MSVD与MS COCO Caption。

## 数据评估及结果
HiTeA视频多模态预训练模型，在同等规模和预训练数据的模型中取得SOTA.

![hitea_caption_score](./resources/caption_exp.jpg)

### 相关论文以及引用信息
如果我们的模型对您有帮助，请您引入我们的文章：
```BibTeX
@inproceedings{ye2022hitea,
      title={HiTeA: Hierarchical Temporal-Aware Video-Language Pre-training}, 
      author={Ye, Qinghao and Xu, Guohai and Yan, Ming and Xu, Haiyang and Qian, Qi and Zhang, Ji and Huang, Fei},
      year={2022},
      journal={arXiv}
}
```