✅ 一、经验法则：数据量 vs. 模型参数量

1. 经典经验法则（适用于监督学习场景）：

• 训练样本数 ≈ 模型参数数量的 10~100 倍
• 对于 BERT-base（1.1亿参数），你通常需要 10亿到100亿标注样本 才能从头训练。
• 对于 Video Swin Transformer-B（8800万参数），建议样本量也在 几千万到几亿 级别，特别是训练从头开始时。

2. 更实际的范式：预训练 + 微调（fine-tuning）
   如果使用预训练模型再进行微调，所需数据量可以显著减少：

模型类型	是否预训练	微调所需数据（粗略）
Video Swin-T	(~28M)	是
Video Swin-B	(~88M)	是
Video Swin-L	(~197M)	是

✅ 二、影响训练数据量需求的其他关键因素：

1. 任务复杂度

• 简单分类任务 vs. 多标签识别 / 动作分段任务，后者需要更多数据。

2. 数据多样性

• 类别越多，动作变化越复杂，所需数据越多。例如：
  • Kinetics-400：约 24 万训练视频
  • Something-Something V2：约 168k 视频，但动作交互更细腻，因此训练更困难

3. 训练策略

• 数据增强、正则化、蒸馏、Mixup、Masking 等技巧可以缓解数据不足问题
• 少样本（few-shot）或迁移学习可以有效减少对数据的依赖

✅ 三、实用建议

场景	建议
从零训练 Video Swin Transformer	至少需要 100 万以上视频（建议自建大规模数据集或使用公共数据集，如 Kinetics-700、SSv2）
微调 Swin Transformer	有几十万个标注视频样本时就可以开始尝试，辅以数据增强
数据有限时	使用轻量级模型（如 Swin-T）、知识蒸馏、合成数据、伪标注等手段

✅ 举个对比例子
模型 参数量 数据集 数据量
TimeSformer-B ~121M Kinetics-400 ~240k
Video Swin-B ~88M Kinetics-400 ~240k
Video Swin-B ~88M Something-Something ~170k

这些模型都没有用上“从零训练”，而是使用了ImageNet-21K 预训练 + 视频预训练（如 Kinetics）。