飞桨视频理解黑科技开源，支持3000个实用标签

意料之外，一场疫情解锁了上班族的存封已久厨艺技能，“秒会陕西正宗凉皮”、“电饭煲实现蛋糕梦”……无数美食短视频帮助帅哥靓妹登上了厨房的舞台，舌尖上的中国再次风靡互联网。更惊喜的是，手机APP上的美食短视频就总能在合适的时间、推荐合适的菜谱，让小伙伴们不必为晚餐吃什么而发愁。我不仅暗自感叹，它为啥如此“懂”我？

​

说起短视频，网红用到它，炫技用到它……在手机的世界，它无处不在。至2020年3月，我国短视频用户规模为7.73亿，占网民整体的85.6%，每天有大量UGC短视频被生产、分发和消费。

之所以APP可以如此懂我，揭开其神秘面纱，得益于人工智能的视频分类技术。高效的视频分类技术让信息的分发更快地触及目标人群，让APP变得更有温度。

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

面对海量的视频数据，如何推荐用户感兴趣的视频？

 

互联网视频分类任务的目标是理解视频的语义，并给视频打上标签，标签包括不限于美食、旅游、影视/游戏等等。标签越精细、在视频分发和推荐时，准确率越高。

熟悉深度学习的同学们都知道，数据集对于算法的研究起着非常重要的作用。对于视频分类任务而言，网络上虽然有大量用户上传的视频数据，但它们大多缺少类别标签，无法直接用于模型训练。在学术界，Kinetics系列是最热门的视频分类数据集，但其数据量（以Kinetics-400为例，包含23万个视频）与当前国内主流APP的数据量（千万/亿/十亿量级）相比较，也是云泥之别，且视频内容与互联网短视频也存在较大差异。

此外，视频中包含成百上千帧图像，处理这些帧图像需要大量的计算。基于TSN、TSM、SlowFast视频分类模型，使用Kinetics-400数据，模型训练大概需要1周才能达到70%~80%的Top-1精度，面对上千万的数据量，显然学术界模型是无法实现产业应用的。

飞桨大规模视频分类模型VideoTag基于百度短视频业务千万级数据，在训练速度上进行了全面升级；支持3000个源于产业实践的实用标签；引入ActivityNet冠军模型Attention Cluster等，在测试集上达到90%的精度；具备良好的泛化能力，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。

当前飞桨VideoTag模型全面开源开放，欢迎感兴趣的企业和开发者试用，有如下两种方式：

如果您想使用PaddleHub快速实现模型预测（VideoTag预训练模型已经集成到PaddleHub中），GitHub地址：

https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/hub_module/modules/video/classification/videotag_tsn_lstm

如果您想Fine-tune或了解更多的VideoTag模型实现细节，可以下载模型完整代码，GitHub地址：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/video/application/video_tag

 

飞桨大规模视频分类是如何实现的？

 

 

考虑到国内主流APP视频数据量巨大，为了提升模型训练速度，VideoTag采用两阶段建模方式，即图像建模和序列学习。第一阶段，使用少量视频样本（十万级别）训练大规模视频特征提取模型；第二阶段，使用千万级数据进行序列学习，最终实现在超大规模（千万/亿/十亿级别）短视频上产业应用，其原理示意如下图所示。

• 数据处理：视频是按特定顺序排列的一组图像的集合，这些图像也称为帧。视频分类任务需要先对短视频进行解码，然后再将输出的图像帧序列灌入到VideoTag中进行训练和预测。

• 图像建模：先从训练数据中，对每个类别均匀采样少量样本数据，构成十万量级的训练样本。然后使用TSN网络进行训练，提取所有视频帧的TSN模型分类层前一层的特征数据。在这个过程中，每一帧都被转化成相应的特征向量，一段视频被转化成一个特征序列。

• 序列学习：采用Attclusters、LSTM和Nextvlad对特征序列进行建模，学习各个特征之间的组合方式，进一步提高模型准确率。由于序列学习相比于图像建模耗时更短，因此可以融合多个具有互补性的序列模型。

• 预测结果：融合多个模型结果实现视频分类，进一步提高分类准确率。

在训练过程中，可以使用少量GPU和CPU Hadoop集群完成如上操作，实现较少耗时（1周左右），就可以完成VideoTag模型训练。

实验表明，在模型训练速度上：基于Kinetics- 400数据集完成TSN模型训练，8卡P40机器仅需要26小时，相比较升级前，需要8卡机器训练5天，效率提升75%。

 

代码示例

 

飞桨Video-tag预训练模型已经集成到PaddleHub中，用户仅需一行命令或数行代码即可完成模型预测。

1. 安装飞桨（1.7.2以上版本即可）

$ pip install paddlepaddle==1.8.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装paddlehub（1.6.0以上版本即可）

$ pip install paddlehub==1.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 下载预训练模型videotag_tsn_lstm

$ hub install videotag_tsn_lstm==1.0.0

4. 有两种模型预测方式：

• 命令行预测

$ hub run videotag_tsn_lstm --input_path 1.mp4 --use_gpu False

示例的1.mp4的内容截图如下所示：

​

让我们看看模型预测的结果：

模型取出了排名较前的几个分类结果，分别是“训练”、“蹲”、“杠铃”、“健身房”。其中分类的置信度均超过了0.8，网络预测出来的标签也和事实相一致。

• API预测

PaddleHub提供了更加灵活的API预测方式，可以同时处理多个文件。

import paddlehub as hub
videotag = hub.Module(name="videotag_tsn_lstm")
# 一行代码完成模型预测，paths可接收多个自定义文件路径
results = videotag.classify(paths=["1.mp4","2.mp4"], use_gpu=False) 
print(results)

示例的2.mp4的内容截图如下所示：

​

模型取出了分类结果“舞蹈”，分类的置信度均超过了0.85，网络预测出来的标签也和事实相一致。

事实上，该模型对场景的预测标签有多达3396种，包括了如超市、实验、机场等地点，或者是医生、教师等人物。可以说，这些标签足够达到我们日常小视频分类的要求，能够很好的处理我们需要的场景。

无论您是从业者、学生或者深度学习爱好者，在大规模短视频分类任务上，有飞桨VideoTag预训练模型加持，都会有助于产品用户体验的提升，增加用户粘性。飞桨期待您的使用，并将您的实践经验随时反馈给我们。

 

如在使用过程中有问题，可加入飞桨官方QQ群进行交流：703252161。

如果您想详细了解更多飞桨的相关内容，请参阅以下文档。

下载安装命令

## CPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/cpu paddlepaddle

## GPU版本安装命令
pip install -f https://paddlepaddle.org.cn/pip/oschina/gpu paddlepaddle-gpu

VideoTag预训练模型地址：

https://github.com/PaddlePaddle/PaddleHub/tree/release/v1.7/hub_module/modules/video/classification/videotag_tsn_lstm

VideoTag模型地址：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/video/application/video_tag

官网地址：

https://www.paddlepaddle.org.cn

飞桨开源框架项目地址：

GitHub:

https://github.com/PaddlePaddle/Paddle

Gitee: 

https://gitee.com/paddlepaddle/Paddle

>> 访问 PaddlePaddle 官网，了解更多相关内容。

来源：oschina

链接：https://my.oschina.net/u/4067628/blog/4307764