阅读量:2
文章目录
1. 项目背景
最近在做一个项目,需要使用AI技术对视频内容进行解析。实现这个功能,我们有两种可行的思路:
- 直接对视频进行解析进行AI问答:
- 这种方法可以充分利用视频中包含的动态信息,如物体运动、声音等,从而得到更丰富的理解结果。
- 需要使用专门的视频处理和理解模型,例如视频分类、目标检测、字幕生成等深度学习技术。
- 这种方式计算量较大,对硬件性能要求较高,适合部署在服务器端环境中。
- 对视频抽帧为图片再进行AI问答:
- 这种方法相对更加简单和高效,可以直接利用成熟的图像理解模型。
- 可以根据需求灵活选择合适的帧率,提取关键帧进行分析。
- 这种方法计算量较小,更适合部署在移动设备或边缘计算环境中。
2. 直接对视频进行解析进行AI问答：MiniGPT4-Video
MiniGPT4-video是一个视频理解的多模态大模型，可以直接对视频内容向AI进行提问。
官网：https://vision-cair.github.io/MiniGPT4-video/
论文链接：https://arxiv.org/abs/2404.03413
2.1 MiniGPT4-Video效果
官网中可以传本地视频和链接视频测试效果。我们只要在 Your Question 输入对AI提出的问题，AI就会在 MiniGPT4-video Answer 中给出这个问题的答案。
笔者做了多次尝试，能够直接对视频内容进行解析，快速得到想要的答案，效果还不错。
3. 对视频抽帧为图片再进行AI问答
3.1 视频抽帧
笔者测试了两款常用的视频抽帧工具：opencv 和 ffmpeg。这两款工具实现的效果都相同，笔者更倾向于使用 opencv，因为它是python的第三方库，可以直接调用python代码，使用起来更方便。详细的介绍，可以查看笔者的另一篇文章：
在这里补充一下视频处理的几个重要概念：
- 帧(Frame)：在视频或动画中，帧指的是单个静态图像。视频或动画由大量连续的帧组成。
- 帧数(Frame Count)：视频或动画中总共包含的帧的数量。帧数决定了视频或动画的长度。
- 帧率(Frame Rate)：每秒显示的帧数,也称为FPS(Frames Per Second)。帧率决定了视频或动画的流畅度和质量。常见的帧率有24FPS、30FPS、60FPS等。
- FPS(Frames Per Second)：每秒显示的帧数,即帧率。这是视频或动画的一个重要参数,决定了画面的流畅性。较高的帧率(如60FPS)可以提供更流畅的视觉体验,而较低的帧率(如24FPS)可能会出现卡顿或闪烁的问题。
举例来说假如我有一个视频，他的视频长度是42s，fps是25，每隔15秒抽取一张图，那么抽取的图片数是： 25*42/15 = 70张。
如果使用的是 opencv，可以使用以下代码，通过调整 timef，可以得到截取到不同数目的视频图片数。
import cv2 from PIL import Image import numpy as np cap = cv2.VideoCapture("D:/Download/ANMR0005.mp4") # 获取视频对象 isOpened = cap.isOpened # 判断是否打开 # 视频信息获取 fps = cap.get(cv2.CAP_PROP_FPS) imageNum = 0 sum=0 timef=15 #隔15帧保存一张图片 while (isOpened): sum+=1 (frameState, frame) = cap.read() # 记录每帧及获取状态 if frameState == True and (sum % timef==0): # 格式转变，BGRtoRGB frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 转变成Image frame = Image.fromarray(np.uint8(frame)) frame = np.array(frame) # RGBtoBGR满足opencv显示格式 frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR) imageNum = imageNum + 1 fileName = 'D:/Download/video_image/image' + str(imageNum) + '.jpg' # 存储路径 cv2.imwrite(fileName, frame, [cv2.IMWRITE_JPEG_QUALITY, 100]) print(fileName + " successfully write in") # 输出存储状态 elif frameState == False: break print('finish!') cap.release() 3.2 图片AI问答
接下来，让我们来测试阿里通义千问大模型 Qwen-vl-plus 和 Moonshot。
我们准备了一张从海飞丝洗发水的广告视频中抽帧出来的图片，要让AI回答：请你判断图中是否包含洗发水？，请你回答“是”或“否”，并解释原因。
3.2.1 阿里通义千问大模型 Qwen-vl-plus
在使用 Qwen-vl-plus 大模型需要在官网创建一个API-KEY，才能调用接口。API官方文档用详细介绍这个模型要怎么调用，参数如何设置等详细说明。
- API官方说明文档：
https://help.aliyun.com/zh/dashscope/developer-reference/qwen-vl-plus/?spm=a2c4g.11186623.0.0.1e9d7794QqfJS4
- API-KEY的创建：
https://help.aliyun.com/zh/dashscope/developer-reference/activate-dashscope-and-create-an-api-key?spm=a2c4g.11186623.0.0.21477794cgawYi
调用 Qwen-vl-plus 大模型，与AI问答的代码，如下：
from dashscope import MultiModalConversation import dashscope import json import time def invokeQween_vl_plus(api_key, prompt, file_path): ''' API官方说明文档：https://help.aliyun.com/zh/dashscope/developer-reference/qwen-vl-plus/?spm=a2c4g.11186623.0.0.1e9d7794QqfJS4 @param api_key (str): 阿里云 用户中心-API Key管理获取：https://help.aliyun.com/zh/dashscope/developer-reference/activate-dashscope-and-create-an-api-key?spm=a2c4g.11186623.0.0.36347794rx7gaK prompt (str): 对文件分析的指令 file_path (str)：需要解析的文件路径。示例："./A.png" @return text (str)：模型输出 input_tokens（int）：输入Token output_tokens（int）：输出Token image_tokens （int）：输入图片Token time_consuming（int）：耗时 ''' messages = [{ 'role': 'user', 'content': [ { 'image': file_path }, { 'text': prompt }, ] }] start_time = time.time() response = MultiModalConversation.call(model='qwen-vl-plus', messages=messages) time_consuming = time.time() - start_time text = response.output.choices[0].message.content[0]["text"] input_tokens = response.usage["input_tokens"] output_tokens = response.usage["output_tokens"] image_tokens = response.usage["image_tokens"] print(f"input_tokens:{input_tokens}") print(f"output_tokens:{output_tokens}") print(f"image_tokens:{image_tokens}") print(f"运行时间:{time_consuming}") return text, input_tokens, output_tokens, image_tokens, time_consuming #=========================================== 调用示例 ============================================ # 调用示例 dashscope.api_key = "Your-KEY" prompt = '请你判断图中是否包含洗发水的实物图？请你回答“是”或“否”，并解释原因' file_path = "C:\\Users\video\\open_cv_images\\test3\\image42.jpg" text, input_tokens, output_tokens, image_tokens, time_consuming = invokeQween_vl_plus(dashscope.api_key, prompt, file_path) print(text) 输出的结果是：
input_tokens:1248
output_tokens:46
image_tokens:1196
运行时间:8.08695936203003
是。图片中的女子手中拿着一瓶带有蓝色泵头和白色瓶身，上面印有品牌名称"海飞丝"以及产品信息的洗发水瓶子，这是一张该产品的实物展示照片。
3.2.2 Moonshot
Moonshot 也需要申请 API-KEY
API官方说明文档：
https://platform.moonshot.cn/docs/api-reference#%E5%9F%BA%E6%9C%AC%E4%BF%A1%E6%81%AF
用户中心-API Key管理获取：
https://platform.moonshot.cn/console/api-keys
对应的代码如下;
import requests from pathlib import Path from openai import OpenAI def invokeMoonshot_FileAnalysis(api_key, prompt, file_path): ''' Moonshot 文件解析：上传文件 → OCR提取文件信息 → Moonshot 大模型分析 → 结论 API官方说明文档：https://platform.moonshot.cn/docs/api-reference#%E5%9F%BA%E6%9C%AC%E4%BF%A1%E6%81%AF @param api_key (str): Moonshot 用户中心-API Key管理获取：https://platform.moonshot.cn/console/api-keys prompt (str): 对文件分析的指令 file_path (str)：需要解析的文件路径。示例："./A.png" @return output (str)：模型输出 input_tokens (int): 输入Token output_tokens (int): 输出Token time_consuming (int): 耗时 ''' client = OpenAI(api_key=api_key, base_url="https://api.moonshot.cn/v1") # 账号信息 & 文件上传 URL file_object = client.files.create(file=Path(file_path), purpose="file-extract") # 上传需要解析的文件，得到文件id file_content = client.files.content(file_id=file_object.id).text # 获取上传文件被OCR提取的文本信息 token_count_url = 'https://api.moonshot.cn/v1/tokenizers/estimate-token-count' # 计算Token的请求地址 # 拼装模型输入 messages=[ {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",}, {"role":"system","content":file_content}, {"role": "user", "content":prompt} ] # 调用大模型API start_time = time.time() completion = client.chat.completions.create( model="moonshot-v1-8k", # moonshot-v1-8k, moonshot-v1-32k, moonshot-v1-128k messages=messages, temperature=0.01, top_p=0.01, max_tokens=4096, n=1, presence_penalty=0, frequency_penalty=0, ) output = completion.choices[0].message.content #print(completion.choices) time_consuming = time.time() - start_time # 计算输入token headers = { "Content-Type": "application/json", "Authorization": f"Bearer {api_key}" } data_input = { "model": "moonshot-v1-8k", "messages": messages } response_input = requests.post(token_count_url, json=data_input, headers=headers) # 解析JSON响应并获取total_tokens的值 input_tokens = response_input.json()['data']['total_tokens'] print(f"input_tokens:{input_tokens}") # 计算输出token data_output = { "model": "moonshot-v1-8k", "messages": [ {"role": "system","content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"}, { "role": "assistant", "content": output} ] } response_output = requests.post(token_count_url, json=data_output, headers=headers) # 解析JSON响应并获取total_tokens的值 output_tokens = response_output.json()['data']['total_tokens'] print(f"output_tokens:{output_tokens}") return output,input_tokens,output_tokens,time_consuming #=========================================== 调用示例 ============================================ api_key = 'Your-KEY' file_name = 'image42.jpg' prompt = '请你判断{}的信息中是否包含洗发水？，请你回答“是”或“否”，并解释原因'.format(file_name) file_path = "C:\\Users\\video\\open_cv_images\\test3\\image42.jpg" start_time = time.time() output,input_tokens,output_tokens,time_consuming = invokeMoonshot_FileAnalysis(api_key, prompt, file_path) print(output,input_tokens,output_tokens,time_consuming) 输出结果：
是。
原因：在提供的信息中，“海飞丝”是一个知名的洗发水品牌，因此可以判断信息中包含了洗发水的提及。 155 103 0.939953088760376
从两个模型的结果来看，Qwen-vl-plus 直接根据图片做AI问答，而 Moonshot 是将图片信息转为文本信息，然后再做AI问答，上述代码中 Qwen-vl-plus 的参数会比 Moonshot 多一个 image_tokens。
总的来说，对于我们的测试数据，两个模型都能给出比较准确的答案。
