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。
1107
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
