超强 Video 深度学习开源工具集,来了!

技术讨论 yonglin ⋅ 于 1个月前 ⋅ 688 阅读
来源:OpenCV中文网

01

导读


  • 广大人工智能算法工程师,有没有感觉到近几年AI程序员数量激增,公司新来的程序员也可以轻松实现图像分类、目标检测等基本深度学习任务,资深算法工程师岗位如何自保?

  • 广大内容平台的后台开发者,视频理解,视频标签与推荐、关键帧识别自动剪辑,这样的深度学习技术积累,你们准备好了么?

  • 普通用户们,有没有遇到过想从手机或者电脑视频库里面找之前一段视频(比如骑马、射箭、滑雪、游泳),但是无论如何也找不到的窘境。

如果有的话,那今天你赚到了!

言归正传,看看小编今天给大家带来的深度学习黑科技,直接上效果。

3000类短视频打标签,一行代码调用

file

精准定位角球、进球等精彩足球动作:

file

智能视频剪辑:《伤心镜头集锦:看谁最能打动人心》
file

注:值得一提的是,以上视频并不是人工剪辑的,完全是结合知识图谱做出的智能化视频生产。具体来说,首先运用知识图谱的能力,根据视频标题可以找到很多包含某些特殊动作类别的视频, 然后再运用Localization技术把每个视频中的这些片段剪辑出来,组合成一个新视频,最后用NLP技术生成视频标题分发出去。

这样的深度学习项目你一定觉得很有趣吧,是的,广大的开发者也是这么认为的。

开源之后star迅速增长,迅速拉升

file

项目主要干货包含:

  1. 丰富的模型种类:包括视频分类和动作定位两大技术方向模型,包括TSN,TSM,SlowFast,AttentionLstm,BMN等实用领先模型。其中,BMN模型是百度2019年ActivityNet(视频理解领域影响力最大赛事)夺冠方案。

  2. 开源3000类预训练模型VideoTag(离线可用):使用千万量级数据集训练的3000类视频标签预训练模型,可以快速预测部署。

  3. 开源足球动作检测算法FootballAction(离线可用):实现在一段未分割的视频中,定位出各种足球动作发生的起止时间以及该动作的具体类别 。

  4. 提出2D领域SOTA算法PPTSM:达到2D网络SOTA效果,Top1 Acc 73.5\% 相较标准版TSM提升3\%且模型参数量持平。

  5. 更快的训练速度:多种视频模型训练加速方案,其中SlowFast训练速度相较于原始实现提速100\%,TSN训练速度相较于原始实现提速3.6倍。

  6. 完整部署全流程:搞过项目上线的工程师自然知道,完整的部署方案多重要。

如果心急的,可以直接传送门

具体内容详解

 

(1)丰富的模型种类

PaddleVideo包含视频分类和动作定位方向的多个主流领先模型。其中TSN, TSM和SlowFast是End-to-End的视频分类模型,Attention LSTM是比较流行的视频特征序列模型,BMN是视频动作定位模型。TSN是基于2D-CNN的经典解决方案,TSM是基于时序移位的简单高效视频时空建模方法,SlowFast在ICCV2019上提出的3D高精度视频分类模型,特征序列模型Attention LSTM速度快精度高。BMN模型是百度开源2019年ActivityNet夺冠方案。

(2)开源3000分类预训练模型VideoTag

基于百度短视频业务千万级数据,支持3000个源于产业实践的实用标签,具有良好的泛化能力,非常适用于国内大规模(千万/亿/十亿级别)短视频分类场景的应用。

file

(3)开源足球动作检测方案FootballAction

FootballAction分为三个组成部分:特征抽取,时序提名生成,动作分类及后处理模块。

① 特征抽取:图像特征: TSN;音频特征: Vggish

② 时序提名生成: BMN

③ 动作分类 + 回归: AttentionLSTM

file

(4)提出SOTA算法PPTSM

与图像任务相比,视频任务的难点在于时序信息的提取。传统的2D网络难以捕获时序信息,通过增加时序通道,3D网络能更好的联合时序特征建模。但3D网络的计算量较大,部署成本较高。TSM模型通过时序位移模块,有效平衡了计算效率和模型的性能,是一种高效实用视频理解模型,在工业界广泛应用。

PaddleVideo基于飞桨框架2.0对TSM模型进行了改进,在不增加参数量和计算量的情况下,在多个数据集上精度显著超过TSM论文精度,比如UCF101、Kinetics-400数据集上分别提升5.5\%、3.5\%。

在仅用ImageNet pretrain情况下,PPTSM在UCF101和Kinetics400数据集top1分别达到89.5\%和73.5\%,PPTSM在Kinetics400上top1精度为73.5\%,是至今为止开源的2D视频模型中在相同条件下的最高性能。

file

(5)实现更快的训练速度

视频任务相比于图像任务的训练往往更加耗时,其原因主要有两点: 一是模型上,视频任务使用的模型通常有更大的参数量与计算量;一是数据上,视频文件解码通常极为耗时。为优化视频模型训练速度,项目中分别从模型角度和数据预处理角度,实现了多种视频训练加速方案。

针对TSM模型,通过op融合的方式实现了temporal shift op,在节省显存的同时加速训练过程。

针对TSN模型,实现了基于DALI的纯GPU解码方案,训练速度较标准实现加速3.6倍。

针对SlowFast模型,结合Decode解码库和DataLoader多子进程异步加速,训练速度较原始实现提升100\%,使用Multigrid策略训练总耗时可以进一步减少。

预先解码存成图像的方案也能显著加速训练过程,TSM/ppTSM在训练全量Kinetics-400数据集80个epoch只需要2天;均大幅优于主流实现。


(6)打通完整部署全流程

PaddleVideo提供了便捷的命令行预测,只需要快速安装ppvideo:

pip install ppvideo

然后python命令行执行 ppvideo --model_name=”ppTSM” --video_file=指定视频文件

一行代码即可完成预测推理。在推理速度上,PPTSM也达到了惊人的147VPS

03

良心出品的文档

file

别的不需要多说了,大家上github上点过star之后自己体验吧,


相关推荐:
深度学习图像标注工具汇总

成为第一个点赞的人吧 :bowtie:
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!