目录

一、引言 

二、视频分类（video-classification）

2.1 概述

2.2 技术原理

2.3 应用场景

2.4 pipeline参数

2.4.1 pipeline对象实例化参数

2.4.2 pipeline对象使用参数 

2.4 pipeline实战

2.5 模型排名

三、总结

一、引言 

 pipeline（管道）是huggingface transformers库中一种极简方式使用大模型推理的抽象，将所有大模型分为音频（Audio）、计算机视觉（Computer vision）、自然语言处理（NLP）、多模态（Multimodal）等4大类，28小类任务（tasks）。共计覆盖32万个模型

今天介绍CV计算机视觉的第六篇：视频分类（video-classification），在huggingface库内有1100个视频分类模型。

二、视频分类（video-classification）

2.1 概述

视频分类是为整个视频分配标签或类别的任务。每个视频预计只有一个类别。视频分类模型将视频作为输入，并返回关于该视频属于哪个类别的预测。

2.2 技术原理

视频分类（video-classification）最典型的模型莫过于微软的xclip系列，xclip为clip模型的拓展，采用（视频-文本）进行对比学习训练。微软提供了包括microsoft/xclip-base-patch32、microsoft/xclip-base-patch16等不同块分辨率训练的模型。比如microsoft/xclip-base-patch32，块分辨率大小为32，使用每段视频 8 帧进行训练，分辨率为 224x224。详细论文可参考《Expanding Language-Image Pretrained Models for General Video Recognition》

2.3 应用场景

内容审查与过滤：自动识别视频内容，过滤非法、暴力、成人内容，确保平台合规。视频检索：用户可以通过分类标签快速找到感兴趣的视频，提高检索效率。教育与培训：将教育视频按科目、难度等分类，便于学习者系统学习。娱乐与直播：分类管理直播内容，如游戏、音乐、生活等，便于观众选择观看。体育赛事分析：通过分类快速定位到特定比赛类型或运动员表现分析。

2.4 pipeline参数

2.4.1 pipeline对象实例化参数

model（PreTrainedModel或TFPreTrainedModel）— 管道将使用其进行预测的模型。 对于 PyTorch，这需要从PreTrainedModel继承；对于 TensorFlow，这需要从TFPreTrainedModel继承。image_processor ( BaseImageProcessor ) — 管道将使用的图像处理器来为模型编码数据。此对象继承自 BaseImageProcessor。modelcard（<code>str或ModelCard，可选） — 属于此管道模型的模型卡。framework（str，可选）— 要使用的框架，"pt"适用于 PyTorch 或"tf"TensorFlow。必须安装指定的框架。task（str，默认为""）— 管道的任务标识符。num_workers（int，可选，默认为 8）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的工作者数量。batch_size（int，可选，默认为 1）— 当管道将使用DataLoader（传递数据集时，在 Pytorch 模型的 GPU 上）时，要使用的批次的大小，对于推理来说，这并不总是有益的，请阅读使用管道进行批处理。args_parser（ArgumentHandler，可选） - 引用负责解析提供的管道参数的对象。device（int，可选，默认为 -1）— CPU/GPU 支持的设备序号。将其设置为 -1 将利用 CPU，设置为正数将在关联的 CUDA 设备 ID 上运行模型。您可以传递本机torch.device或str太torch_dtype（str或torch.dtype，可选） - 直接发送model_kwargs（只是一种更简单的快捷方式）以使用此模型的可用精度（torch.float16，，torch.bfloat16...或"auto"）binary_output（bool，可选，默认为False）——标志指示管道的输出是否应以序列化格式（即 pickle）或原始输出数据（例如文本）进行。

2.4.2 pipeline对象使用参数 

video（str，List[str]）——管道处理三种类型的视频：

包含指向视频的 http 链接的字符串包含视频本地路径的字符串

管道可以接受单个视频或一批视频，然后必须将其作为字符串传递。一批视频必须全部采用相同的格式：全部为 http 链接或全部为本地路径。

top_k（ int， 可选，默认为 5）— 管道将返回的顶部标签数。如果提供的数字高于模型配置中可用的标签数，则将默认为标签数。 num_frames（ int， 可选，默认为 self.model.config.num_frames）— 从视频中采样的用于运行分类的帧数。如果未提供，则默认为模型配置中指定的帧数。 frame_sampling_rate (  int， 可选，默认为 1) — 用于从视频中选择帧的采样率。如果未提供，则默认为 1，即将使用每一帧。

2.4 pipeline实战

使用hf_hub_download下载或使用本地视频：

​

亲测pipeline不能用，于是使用Auto模型方法，与使用Autotokenizer处理文本不同，对于图片的处理使用AutoImageProcessor（处理视频的本质就是先将视频拆帧成图片，再对图片进行处理）

<code>import os

os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

os.environ["CUDA_VISIBLE_DEVICES"] = "2"

import av

import torch

import numpy as np

from transformers import AutoImageProcessor, VideoMAEForVideoClassification,TimesformerForVideoClassification

from huggingface_hub import hf_hub_download

np.random.seed(0)

def read_video_pyav(container, indices):

'''

通过PyAV库解码视频中的特定帧。

Decode the video with PyAV decoder.

Args:

container (`av.container.input.InputContainer`): PyAV container.

indices (`List[int]`): List of frame indices to decode.

Returns:

result (np.ndarray): np array of decoded frames of shape (num_frames, height, width, 3).

'''

frames = []

container.seek(0)

start_index = indices[0]

end_index = indices[-1]

for i, frame in enumerate(container.decode(video=0)):

if i > end_index:

break

if i >= start_index and i in indices:

frames.append(frame)

return np.stack([x.to_ndarray(format="rgb24") for x in frames])code>

def sample_frame_indices(clip_len, frame_sample_rate, seg_len):

'''

从视频中按照特定规则采样帧的索引.

Sample a given number of frame indices from the video.

Args:

clip_len (`int`): Total number of frames to sample.

frame_sample_rate (`int`): Sample every n-th frame.

seg_len (`int`): Maximum allowed index of sample's last frame.

Returns:

indices (`List[int]`): List of sampled frame indices

'''

converted_len = int(clip_len * frame_sample_rate)

end_idx = np.random.randint(converted_len, seg_len)

start_idx = end_idx - converted_len

indices = np.linspace(start_idx, end_idx, num=clip_len)

indices = np.clip(indices, start_idx, end_idx - 1).astype(np.int64)

return indices

# video clip consists of 300 frames (10 seconds at 30 FPS)

file_path = "./transformers_basketball.avi"

"""

file_path = hf_hub_download(

repo_id="nielsr/video-demo", filename="eating_spaghetti.mp4", repo_type="dataset"code>

)

"""

container = av.open(file_path)

# sample 16 frames

indices = sample_frame_indices(clip_len=16, frame_sample_rate=1, seg_len=container.streams.video[0].frames)

video = read_video_pyav(container, indices)

image_processor = AutoImageProcessor.from_pretrained("MCG-NJU/videomae-base-finetuned-kinetics")

#model = VideoMAEForVideoClassification.from_pretrained("MCG-NJU/videomae-base-finetuned-kinetics")

model = TimesformerForVideoClassification.from_pretrained("facebook/timesformer-base-finetuned-k400")

inputs = image_processor(list(video), return_tensors="pt")code>

with torch.no_grad():

outputs = model(**inputs)

logits = outputs.logits

# model predicts one of the 400 Kinetics-400 classes

predicted_label = logits.argmax(-1).item()

print(model.config.id2label[predicted_label])

执行后，自动下载模型文件，构建索引，拆帧，视频分类预测：​ 

​

2.5 模型排名