146 lines
3.9 KiB
Markdown
146 lines
3.9 KiB
Markdown
# MSR-VTT
|
||
|
||
|
||
## 概述
|
||
|
||
MSR-VTT 是一个大规模开放域视频描述（video captioning）基准测试，用于评估视频到文本的生成能力。
|
||
原生适配器按 `video_id` 对记录进行分组，因此同一视频的多条标注行会被合并为一个样本，并包含多个参考描述。
|
||
|
||
## 任务描述
|
||
|
||
- **任务类型**：视频描述（Video captioning）
|
||
- **输入**：视频片段或 URL
|
||
- **输出**：一条简洁的自然语言描述
|
||
- **领域**：开放域视频理解与描述
|
||
|
||
## 评估说明
|
||
|
||
- 默认数据源：ModelScope 上的 `AI-ModelScope/msr-vtt`，使用 `validation` 划分
|
||
- 通过设置 `extra_params.dataset_hub="huggingface"`，仍可使用 Hugging Face 上的 `VLM2Vec/MSR-VTT`
|
||
- 主要指标：**CIDEr**
|
||
- 其他指标：BLEU-1/2/3/4、METEOR、ROUGE-L
|
||
- 设置 `extra_params.video_dir` 可优先使用本地媒体文件而非 URL 元数据
|
||
|
||
## 属性
|
||
|
||
| 属性 | 值 |
|
||
|----------|-------|
|
||
| **基准测试名称** | `msr_vtt` |
|
||
| **数据集ID** | [AI-ModelScope/msr-vtt](https://modelscope.cn/datasets/AI-ModelScope/msr-vtt/summary) |
|
||
| **论文** | [Paper](https://www.microsoft.com/en-us/research/publication/msr-vtt-a-large-video-description-dataset-for-bridging-video-and-language/) |
|
||
| **标签** | `ImageCaptioning`, `MultiModal` |
|
||
| **指标** | `Bleu_1`, `Bleu_2`, `Bleu_3`, `Bleu_4`, `METEOR`, `ROUGE_L`, `CIDEr` |
|
||
| **默认示例数** | 0-shot |
|
||
| **评估划分** | `validation` |
|
||
|
||
|
||
## 数据统计
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 总样本数 | 497 |
|
||
| 提示词长度（平均） | 43 字符 |
|
||
| 提示词长度（最小/最大） | 43 / 43 字符 |
|
||
|
||
**视频统计信息：**
|
||
|
||
| 指标 | 值 |
|
||
|--------|-------|
|
||
| 视频总数 | 497 |
|
||
| 每样本视频数 | 最小: 1, 最大: 1, 平均: 1 |
|
||
| 格式 | mp4 |
|
||
|
||
|
||
## 样例示例
|
||
|
||
**子集**: `default`
|
||
|
||
```json
|
||
{
|
||
"input": [
|
||
{
|
||
"id": "36044e4b",
|
||
"content": [
|
||
{
|
||
"text": "Describe the video in one concise sentence."
|
||
},
|
||
{
|
||
"video": "https://www.youtube.com/watch?v=A9pM9iOuAzM",
|
||
"format": "mp4",
|
||
"start": 116.03,
|
||
"end": 126.21
|
||
}
|
||
]
|
||
}
|
||
],
|
||
"target": "[\"a family is having coversation\"]",
|
||
"id": 0,
|
||
"group_id": 0,
|
||
"metadata": {
|
||
"references": [
|
||
"a family is having coversation"
|
||
],
|
||
"subset": "default",
|
||
"dataset_id": "AI-ModelScope/msr-vtt",
|
||
"dataset_hub": "modelscope",
|
||
"video": "https://www.youtube.com/watch?v=A9pM9iOuAzM",
|
||
"start": 116.03,
|
||
"end": 126.21,
|
||
"fps": null,
|
||
"video_id": "video6513",
|
||
"category": 14
|
||
}
|
||
}
|
||
```
|
||
|
||
## 提示模板
|
||
|
||
**提示模板：**
|
||
```text
|
||
Describe the video in one concise sentence.
|
||
```
|
||
|
||
## 额外参数
|
||
|
||
| 参数 | 类型 | 默认值 | 描述 |
|
||
|-----------|------|---------|-------------|
|
||
| `dataset_hub` | `str` | `modelscope` | 用于加载 MSR-VTT 标注的数据集平台。选项：['huggingface', 'modelscope', 'local'] |
|
||
| `eval_split` | `str` | `` | 要加载的数据划分；ModelScope 默认为 validation，Hugging Face 默认为 test。 |
|
||
| `dataset_revision` | `str` | `` | 可选的数据集版本；留空则使用平台默认版本。 |
|
||
| `video_dir` | `str` | `` | 包含 MSR-VTT 视频文件的本地目录（可选）。 |
|
||
| `video_extension` | `str` | `` | 本地视频文件的扩展名覆盖项（可选），例如 "mp4"。 |
|
||
|
||
## 使用方法
|
||
|
||
### 使用 CLI
|
||
|
||
```bash
|
||
evalscope eval \
|
||
--model YOUR_MODEL \
|
||
--api-url OPENAI_API_COMPAT_URL \
|
||
--api-key EMPTY_TOKEN \
|
||
--datasets msr_vtt \
|
||
--limit 10 # 正式评估时请删除此行
|
||
```
|
||
|
||
### 使用 Python
|
||
|
||
```python
|
||
from evalscope import run_task
|
||
from evalscope.config import TaskConfig
|
||
|
||
task_cfg = TaskConfig(
|
||
model='YOUR_MODEL',
|
||
api_url='OPENAI_API_COMPAT_URL',
|
||
api_key='EMPTY_TOKEN',
|
||
datasets=['msr_vtt'],
|
||
dataset_args={
|
||
'msr_vtt': {
|
||
# extra_params: {} # 使用默认额外参数
|
||
}
|
||
},
|
||
limit=10, # 正式评估时请删除此行
|
||
)
|
||
|
||
run_task(task_cfg=task_cfg)
|
||
``` |