机器之心专栏
机器之心编辑部
Facebook人工智能实验室在 PySlowFast 之后时隔两年,携 PyTorchVideo 重入战场。
视频作为当今最被广为使用的媒体形式,已逐渐占超过文字和图片,据了人们更多的浏览时间。这使得视频理解变得尤为重要。各大互联网公司与顶尖高校纷纷绞尽脑汁,竞相研究前沿视频理解模型与算法。在谷歌,Facebook,亚麻,Open-MM Lab 等分别祭出各家杀器之后,Facebook人工智能实验室在 PySlowFast 之后时隔两年,携 PyTorchVideo 重入战场。
官方网站:https://pytorchvideo.org/
PyTorchVideo 好像哪儿都能用
不同于在座的各位视频代码理解框架只醉心于自家框架,无法移步与其他代码库。PyTorchVideo 似乎如同 torchvision 等基础代码库一般,“哪儿都能用”!PyTorchVideo 不但可以用在视频理解任务中,甚至可以用在其他任务的代码库。Facebook人工实验室不但 PySlowFast 代码库上无缝使用上了 PyTorchVideo,并且还在 Classy Vision,PyTorch Lightening 等等框架上无缝插入。
作为含着金钥匙出生的 PyTorchVideo,其直接成为了 PyTorch Lightning-Flash 的视频理解担当,作为基础库被默认使用。如,在 FiftyOne 项目中,开源社区的吃瓜群众就利 Lightning-Flash 鬼畜出了一个浏览视频的工具箱,可以直接查看视频的动作类别。
PyTorchVideo 好像啥都管
更厉害的是,PyTorchVideo 似乎“啥都管”!不但在视频分类,动作检测等任务中深耕前沿,还“略懂”Lecun 最爱的自监督学习,甚至音频事件检测等等千奇百怪的任务也不在话下。
PyTorchVideo 好像手机也能玩
更丧心病狂的是,PyTorchVideo 一并开源了移动端的加速优化。不但提供了手把手的教程,将视频模型一步步优化核心 Kernel,量化(quantilize)加速,数倍加速后在移动端实时运行,甚至官方直接暴力放出 Android 和 iOS 移动端开源代码,将前沿的视频模型直接塞到手机里跑着玩玩。
PyTorchVideo 到底是个啥
PyTorchVideo 的真身是一个基础视频库,可以服务于各种代码库。除了全方位的前沿视频模型模型,开源视频模型,其中还含有各类视频基础算法,视频数据操作,各类流行视频数据集,视频增广,视频模型加速量化,等等一些列的全栈视频相关内容。据官方博客透露,PyTorchVideo 开源了一大票视频模型,包括Facebook人工智能实验室近期出现在 ICCV,ICML 等回忆中的工作:
●Multiscale Vision Transformers
●A large-scale study on unsupervised spatiotemporal representation learning
●Multiview pseudo-labeling for semi-supervised learning from video
●Is space-time attention all you need for video understanding?
●Keeping Your Eye on the Ball: Trajectory Attention in Video Transformers
●SlowFast networks for video recognition
●X3D: Expanding architectures for efficient video recognition
●Audiovisual SlowFast networks for video recognition
●Non-local neural networks
●A closer look at spatiotemporal
● convolutions for action recognition
●Video classification with channel-separated convolutional networks
似乎其 MultiScale Vision Transform 也位列其中,有兴趣的朋友可以去一探究竟。
PyTorchVideo 怎么玩
浏览一下官方的教程并上手实验一下,发现通过 PyTorchVideo 只需要寥寥几行就可以训练一个视频模型:
开发者们也可从开源的训练模型库中直接使用模型。
Kinetics-400
Something-Something V2
Charades
甚至通过 PyTorchVideo 加持的 Lightning Flash,分类视频仅仅只需三行。
参考链接:
https://pytorchvideo.org/
https://ai.facebook.com/blog/pytorchvideo-a-deep-learning-library-for-video-understanding/