时隔两年，Facebook又出视频理解利器

AI科技评论

发布于 2021-07-27 13:43:01

6400

发布于 2021-07-27 13:43:01

文章被收录于专栏：AI科技评论

AI科技评论报道

视频作为当今最被广为使用的媒体形式，已逐渐超过文字和图片占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，脸书，亚麻，Open-MM Lab等分别祭出各家杀器之后，脸书人工智能实验室在PySlowFast之后时隔两年，携PyTorchVideo重入战场。

官方网站：https://pytorchvideo.org/

作为资深的从业者，小编今天就深扒一下，PyTorchVideo究竟是怎样的一个代码库，又如何能在开源当天就跻身于GitHub Trending的榜首。

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。脸书人工实验室的大佬们不但在“自家人”的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。这不，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，包括脸书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

笔者浏览了一下官方的教程并上手实验了一下，发现通过PyTorchVideo只需要寥寥几行就可以训练一个视频模型：

from pytorchvideo import data, models, accelerator # Create visual and acoustic models. visual_model = models.slowfast.create_slowfast( model_num_class=400, ) acoustic_model = models.resnet.create_acoustic_resnet( model_num_class=400, ) # Create Kinetics data loader. kinetics_loader = torch.utils.data.DataLoader( data.Kinetics( data_path=DATA_PATH, clip_sampler=data.make_clip_sampler( "uniform", CLIP_DURATION, ), ) batch_size=BATCH_SIZE, ) # Deploy model. visual_net_inst_deploy = accelerator.deployment.\ convert_to_deployable_form(net_inst, input_tensor)

笔者继而从开源的训练模型库中直接使用模型，在官方的模型库中眼花缭乱。

model = torch.hub.load("facebookresearch/pytorchvideo", model=model_name, pretrained=True)

Kinetics-400

arch	depth	frame length x sample rate	top 1	Flops (G) x views	Params (M)
C2D	R50	8x8	71.46	25.89 x 3 x 10	24.33
I3D	R50	8x8	73.27	37.53 x 3 x 10	28.04
Slow	R50	4x16	72.40	27.55 x 3 x 10	32.45
Slow	R50	8x8	74.58	54.52 x 3 x 10	32.45
SlowFast	R50	4x16	75.34	36.69 x 3 x 10	34.48
SlowFast	R50	8x8	76.94	65.71 x 3 x 10	34.57
SlowFast	R101	8x8	77.90	127.20 x 3 x 10	62.83
SlowFast	R101	16x8	78.70	215.61 x 3 x 10	53.77
CSN	R101	32x2	77.00	75.62 x 3 x 10	22.21
R(2+1)D	R50	16x4	76.01	76.45 x 3 x 10	28.11
X3D	XS	4x12	69.12	0.91 x 3 x 10	3.79
X3D	S	13x6	73.33	2.96 x 3 x 10	3.79
X3D	M	16x5	75.94	6.72 x 3 x 10	3.79
X3D	L	16x5	77.44	26.64 x 3 x 10	6.15