Каждый инженер, работающий в области компьютерного зрения, сталкивается с задачами детекции, сегментации и "сто бед - YOLO ответ". Однако приходит момент, когда на горизонте появляется новая сложная задача - анализ и классификация видео. Одни предпочитают обходить её стороной, другие пытаются решать её с помощью традиционных методов, но мы пойдем чуть дальше и научимся решать с помощью трансформеров. В целях ознакомления рассмоотрим наиболее популярные и эффективные подходы.