5 分钟教你搭建「视频动作分类」系统

写在前面

在之前的文章中，我们已经搭建过「以文搜图」、「以图搜图」等搜索服务，而今天这篇文章，将要教会你如何搭建一个「视频动作分类」的 AI 系统！

例如，我们只需放上一张“婴儿吃胡萝卜”的视频，这个系统就能分析和判断出这个视频最有可能的动作类别是 “eating carrots”。

「视频动作分类」系统展示图

怎么样，是不是很神奇呢？快跟着我们往下看吧！

准备工作

安装依赖包

在搭建「视频动作分类」系统之前，我们需要创建系统依赖的环境。我们用到了以下工具：

• Towhee：用于构建模型推理流水线的框架，对于新手非常友好。

• Milvus：用于存储向量并创建索引的数据库，简单好上手。

• Gradio：轻量级的机器学习 Demo 构建工具。

• Pillow：图像处理常用的 Python 库。

python -m pip install -q pymilvus towhee towhee.models pillow ipython gradio

数据准备

我们从 Kinetics400 的验证集中选取了 200 个视频，作为本次示例所用的数据。

首先，下载数据集并解压：

curl -L https://github.com/towhee-io/examples/releases/download/data/reverse_video_search.zip -O
unzip -q -o reverse_video_search.zip

这个数据集的包含了两个主文件：

1. train：视频所在文件夹，包含 20 个类别（每个类别为一个子文件夹），每个类别包含了 10 个视频，总计有 200 个视频。

2. reverse_video_search.csv：一个 csv 文件，其中包含视频文件夹中每个视频的 id、path 和 label。 接着，我们输入以下代码便可查看数据集内的详细信息：

import pandas as pd
df = pd.read_csv('./reverse_video_search.csv')print(df.head(3))print(df.label.value_counts())

同时，我们在这里定义一个ground_truth函数，这个函数可以通过视频文件路径就能找到它真实的分类标签。

def ground_truth(path):
    label = df.set_index('path').at[path, 'label']
    return [label.replace('_', ' ')]

到这里，我们就完成了所有的准备工作啦！

系统搭建

首先，我们使用 X3D_M 视频分类模型来预测视频所属的类别，利用 Towhee 提供的一系列简单又好用的 API 就可以对输入的视频进行批处理。

预测类别

舞蹈视频是最适合进行动作分类的例子了！我们在这里以目标类别为“tap_dancing”的视频为例，观察 X3D_M 模型预测的结果。在默认情况下，模型将会返回得分（可能性）最高的前 5 个分类，我们可以通过自行更改topk来控制返回的类别数量。

import towhee
(
    towhee.glob['path']('./train/tap_dancing/*.mp4')
          .video_decode.ffmpeg['path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 16})
          .action_classification['frames', ('predicts', 'scores', 'features')]
          .pytorchvideo(model_name='x3d_m', skip_preprocess=True, topk=5).select['path', 'predicts', 'scores']()
          .show()
)

这里对用到的 Towhee API 做一些说明：

• towhee.read_csv()：从 CSV 文件中读取数据。

• .video_decode.ffmpeg()：一个 Towhee 的算子，能通过文件路径读取视频，并通过指定的采样方法得到一定数量的视频帧。了解更多

• .action_classification.pytorchvideo()：一个 Towhee 的算子，可以提取视频特征并预测视频所属的动作分类。了解更多

输入以上代码后，模型返回的结果示例如下：

可以看到，path 一栏是预测对象（视频）的文件路径，predicts（topk=5）一栏是预测的前五个结果，scores 一栏则是五个类别对应的得分。上图展示了5个视频的预测结果，top1 （第一个预测类别）的预测结果有 4/5 判断正确，而 top2 （前两个预测类别）则全部准确预测。

评估和优化

我们刚刚展示了如何识别一个动作视频的类别，但这套系统的整体性能表现如何呢？接下来，我们借助 Towhee 批量处理和评估接口，使用 mHR（recall@K）来衡量预测结果。

import time

start = time.time()
dc = (
      towhee.read_csv('reverse_video_search.csv').unstream()
            .video_decode.ffmpeg['path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 16})
            .action_classification['frames', ('predicts', 'scores', 'features')].pytorchvideo(
                 model_name='x3d_m', skip_preprocess=True, topk=5)
)
end = time.time()
print(f'Total time: {end-start}')
    
benchmark = (
      dc.runas_op['path', 'ground_truth'](func=ground_truth)
        .runas_op['predicts', 'top1'](func=lambda x: x[:1])
        .runas_op['predicts', 'top3'](func=lambda x: x[:3])
        .with_metrics(['mean_hit_ratio'])
        .evaluate['ground_truth', 'top1'](name='top1')
        .evaluate['ground_truth', 'top3'](name='top3')
        .evaluate['ground_truth', 'predicts'](name='top5')
        .report()
)

运行以上代码后，会返回处理和预测所有样本数据的时间和不同 topk 对应的命中率。

Total time: 39.41930913925171

可以看到，X3D_M 模型预测 200 个示例视频所需要花费的时间约为 39 s（平均每个视频消耗约0.2s），预测结果 top1 的准确率为 70%，而 top5 的准确率高达 90%！

虽然 90% 的命中率是一个不错的结果，但我们使用的 X3D_M 轻量模型其实已经牺牲了部分精度。如果换成更复杂的深度学习模型，比如 MViT，理论上能够使准确率更上一层楼。

我们只需将上面代码中的 model_name 指定为 'mvit_base_32x3' 即可：

import time

start = time.time()
dc = (
towhee.read_csv('reverse_video_search.csv').unstream()
      .video_decode.ffmpeg['path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 32})
      .action_classification['frames', ('predicts', 'scores', 'features')].pytorchvideo(
           model_name='mvit_base_32x3', skip_preprocess=True, topk=5)
)
end = time.time()
print(f'Total time: {end-start}')

benchmark = (
    dc.runas_op['path', 'ground_truth'](func=ground_truth)
      .runas_op['predicts', 'top1'](func=lambda x: x[:1])
      .runas_op['predicts', 'top3'](func=lambda x: x[:3])
      .with_metrics(['mean_hit_ratio'])
      .evaluate['ground_truth', 'top1'](name='top1')
      .evaluate['ground_truth', 'top3'](name='top3')
      .evaluate['ground_truth', 'predicts'](name='top5')
      .report()
)

Total time: 79.16032028198242

不难发现，我们使用了同样的样本数据，然而将模型替换成 MViT 后，所需时间大约是之前的 2 倍，而准确率的确有所提升：

那有什么办法可以既高效快速地运行模型，又能保持较高的准确率呢？ 有！Towhee 允许并行执行，能够减少处理批量数据的时间。我们只需在代码中加入 set_parallel()：

start = time.time()
dc =(
    towhee.read_csv('reverse_video_search.csv').unstream()
          .set_parallel(5)
          .video_decode.ffmpeg['path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 16})
          .action_classification.pytorchvideo['frames', ('predicts', 'scores', 'features')](
               model_name='x3d_m', skip_preprocess=True, topk=5)
)
end = time.time()
print(f'Total time: {end-start}')

这一次花费的时间几乎是之前的一半：Total time: 22.97886061668396，明显比之前更快了！

异常处理

如果我们一次处理多条数据，其中一个数据异常就会使整个程序报错并中断，这对于大规模测试或者生产环境无疑是致命的。而这些异常数据并不会影响整个「视频动作分类」系统，所以，我们需要让系统在遇到异常值时生成报告，然后继续处理其余的视频。

Towhee 支持异常处理的执行模式，允许流水线继续处理并用 Empty 值表示异常。 用户可以选择如何处理流水线末端的空值。

(
    towhee.glob['path']('./exception/*')
          .exception_safe()
          .video_decode.ffmpeg['path', 'frames'](sample_type='uniform_temporal_subsample', args={'num_samples': 16})
          .action_classification['frames', ('labels', 'scores', 'vec')].pytorchvideo(
               model_name='x3d_m', skip_preprocess=True)
          .drop_empty()
          .select['path', 'labels']()
          .show()
)

在上面的查询过程中，exception文件夹下共有 4 个文件，其中 1 个文件损坏。 使用exception_safe()后，我们最终成功获得了 3 个视频文件的预测结果。从结果中可以看出，drop_empty()删除了失败的预测结果（空数据）。

 

Gradio 部署 demo

Towhee 提供的 towhee.api()可以将流水线包装成一个函数，以便使用。 我们可以在 Gradio 中使用这个 action_classification_function 轻而易举地构建一个简单可交互的在线演示 demo。

import gradio

topk = 3
with towhee.api() as api:
    action_classification_function = (
        api.video_decode.ffmpeg(
            sample_type='uniform_temporal_subsample', args={'num_samples': 32})
        .action_classification.pytorchvideo(model_name='mvit_base_32x3', skip_preprocess=True, topk=topk)
        .runas_op(func=lambda res: {res[0][i]: res[1][i] for i in range(len(res[0]))})
        .as_function()
    )
    
        interface = gradio.Interface(action_classification_function, 
                                      inputs=gradio.Video(source='upload'),
                                      outputs=[gradio.Label(num_top_classes=topk)]
                                      )
        interface.launch(inline=True, share=True)

Gradio 为我们提供了一个 Web UI，点击 URL 进行访问（或直接与 notebook 下方出现的界面进行交互）：

点击这个 URL 链接，就会跳转到我们「视频分类」的交互界面，输入你想要分类的视频，即可呈现出视频所对应的分类标签。例如，我们上传一个“婴儿吃胡萝卜” 的视频即可得到系统识别的动作标签：

可以看到，我们的「视频分类」系统是十分精确的，能准确地识别并给出视频所属的分类标签。

总结

在今天的文章中，我们通过 Towhee 利用 X3D 以及 MViT 两种不同量级的视频动作分类模型搭建了一个简单的「视频分类」系统，并使用 Gradio 创建了一个可交互的程序界面。

在之前的文章中，我们在 Towhee 的帮助下搭建了「以文搜图」、「以图搜图」等搜索服务，参考本文的实现，我们也可以利用 Towhee （以及 Milvus）实现更多种更通用的视频分类和识别业务，大家可以动起手来搭建一套属于自己的 AI 业务系统！