PyTorchVideo ResNet50模型预期输入形状咨询

你用pytorchvideo.models.resnet.create_resnet创建的视频ResNet模型，预期输入形状为**[batch_size, channels, num_frames, height, width]**，和你猜测的结构本质一致（img1对应height，img2对应width），只是标准命名为height和width。

各维度说明 #

• channels：对应你设置的input_channel=3，即RGB视频的3个颜色通道
• num_frames：模型单次处理的连续视频帧数，PyTorchVideo针对Kinetics数据集的预训练模型默认用16或32帧，你可根据任务需求调整，但需和训练时的输入帧数保持一致
• height/width：单帧图像的分辨率，Kinetics数据集默认采用224×224，通常输入需匹配该尺寸

示例代码验证 #

import torch
import pytorchvideo.models.resnet
import torch.nn as nn

def resnet():
  return pytorchvideo.models.resnet.create_resnet(
      input_channel=3,
      model_depth=50,
      model_num_class=400,
      norm=nn.BatchNorm3d,
      activation=nn.ReLU,
  )

# 构造符合要求的示例输入：batch_size=2，3通道，16帧，224×224分辨率
dummy_input = torch.randn(2, 3, 16, 224, 224)
model = resnet()
output = model(dummy_input)
print(output.shape)  # 输出为 torch.Size([2, 400])，对应batch_size和400个类别

格式转换提示 #

如果你的视频数据加载后是[batch_size, num_frames, height, width, channels]的常见格式，可通过permute调整维度顺序：

# 假设原始输入形状为(2, 16, 224, 224, 3)
adjusted_input = raw_input.permute(0, 4, 1, 2, 3)

内容的提问来源于stack exchange，提问作者Rayanxv