AI审核视频--我们选择YOLOv8

最近接到一个任务：用AI审核视频，帮助发现视频中的问题，提高运营审核的生产力。

这应该属于计算机视觉（Computer Vision）的领域。

计算机视觉的主要目标是：复刻人类视觉的强大能力。

计算机视觉要解决的主要问题是：给出一张图片，计算机视觉系统必须识别出图像中的对象及其特征，如形状、纹理、颜色、大小、空间排列等，从而尽可能完整地描述该图像。

计算机视觉，跟图像处理、机器视觉是什么区分的呢？

图像处理

图像处理旨在处理原始图像以应用某种变换。其目标通常是改进图像或将其作为某项特定任务的输入，而计算机视觉的目标是描述和解释图像。例如，降噪、对比度或旋转操作这些典型的图像处理组件可以在像素层面执行，无需对图像整体具备全面的了解。

机器视觉

机器视觉是计算机视觉用于执行某些（生产线）动作的特例。在化工行业中，机器视觉系统可以检查生产线上的容器（是否干净、空置、无损）或检查成品是否恰当封装，从而帮助产品制造。

计算机视觉

计算机视觉可以解决更复杂的问题，如人脸识别、详细的图像分析（可帮助实现视觉搜索，如 Google Images），或者生物识别方法。

计算机视觉的常见任务有：

图像分类，目标检测，实例分割，如下图（分别对应classification、detection、segmentation）

当然，还有其他任务，例如：目标识别，目标追踪，语义分割等。

计算机视觉的一些商用案例，如下：

• Google的图片搜索
• Facebook的人脸识别
• 特斯拉的自动驾驶(Autopilot)
• 微软 InnerEye ，从恶性肿瘤的 3D 图像中准确识别出肿瘤。这是一项伟大的案例，值得一张配图来演示：

回到视频审核任务，该怎么做呢？

可以把视频逐帧切图，然后做图像分类，目标检测似乎更好，可以直接指出问题所在。

图像分类

常用算法：KNN、SVM、BP 神经网络、CNN 和迁移学习

常用数据集：ImageNet、MNIST、Caltech 101

目标检测

目前常用的目标检测算法有R-CNN（速度慢，过程繁琐，训练所需空间大）、Faster R-CNN（比前者更准确、快速、简便，但还是不够快，不够简洁）和基于YOLO的目标检测的算法（速度快，泛化能力强，但精度低，小目标和邻近目标检测效果差，比Fast R-CNN定位误差大一些）

常用数据集：PASCAL VOL、MS COCO、ImageNet

看来，选择YOLO没错。

YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。

物体检测，目标检测，应该都是翻译自object classification，不同译法而已。

YOLOv8是YOLO 的最新版本，由Ultralytics 提供。YOLOv8 YOLOv8 支持全方位的视觉 AI 任务，包括分类、检测、分割、追踪、姿势估计和OBB（定向边框对象检测）。这种多功能性使用户能够在各种应用和领域中利用YOLOv8 的功能。

最后的OBB（定向边框对象检测）是什么？

定向物体检测比物体检测更进一步，它引入了一个额外的角度来更准确地定位图像中的物体。

定向物体检测器的输出结果是一组旋转的边界框，这些边界框精确地包围了图像中的物体，同时还包括每个边界框的类标签和置信度分数。

请看下图就一目了然了。

好了，今天就到这里。

后面我们还有两篇，分别是：

《YOLOv8入门篇--YOLOv8的安装和使用》

《YOLOv8进阶篇--先训练模型，然后检测视频》