让手机跑SOTA模型快8倍！Facebook AI开源最强全栈视频库：PyTorchVideo！

点击上方“视学算法”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来源丨新智元

编辑丨极市平台

导读

 

时隔一年，Facebook AI携PyTorchVideo重回视频理解的战场。其不仅可以「无缝」接入各类代码库，甚至还「略懂」LeCun最爱的自监督学习。顺便一提，手机也能玩！

视频已逐渐超过文字和图片，可以说成为了现在使用最广的媒体形式，同时也占据了用户更多的浏览时间，这就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SOTA的视频理解模型与算法。

在谷歌，脸书，Open-MM Lab等分别祭出各家杀器之后，脸书人工智能实验室（Facebook AI）在推出PySlowFast之后时隔一年，携PyTorchVideo重回战场。

 

官方网站: https://pytorchvideo.org/

 

今天我们就来扒一下，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榜单。

PyTorchVideo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像是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。

脸书人工智能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用Lightning-Flash搞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。

FiftyOne: https://medium.com/pytorch/ushering-in-the-new-age-of-video-understanding-with-pytorch-1d85078e8015

PyTorchVideo啥都能做

更厉害的是，PyTorchVideo似乎「啥都能做」！不但在视频分类，动作检测等任务中深耕SOTA。

甚至还「略懂」LeCun最爱的自监督学习，以及音频事件检测等等千奇百怪的任务也不在话下。

 

基于PyTorchVideo的SlowFast模型进行动作监测

PyTorchVideo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SOTA的视频模型直接塞到手机里跑着玩玩。

 

在三星Galaxy S10手机上运行的PyTorchVideo加速X3D模型，运行速度快8倍，处理一秒视频大约需要130毫秒

PyTorchVideo是个啥

PyTorchVideo的真身是一个视频理解的机器学习库，可以服务于各种代码库，以及各类SOTA视频模型模型和开源视频模型。

以及各种视频基础算法，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。

 

PyTorchVideo怎么玩

首先pip一下。

pip install pytorchvideo

然后，在浏览官方的教程并上手实验了一下之后，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)

那么从开源的训练模型库中直接使用模型效果如何？

 

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

  

官方的模型库太丰富，简直眼花缭乱。 

 

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

Something-Something V2

arch	depth	pretrain	frame length x sample rate	top 1	Flops (G) x views	Params (M)
Slow	R50	Kinetics 400	8x8	60.04	55.10 x 3 x 1	31.96
SlowFast	R50	Kinetics 400	8x8	61.68	66.60 x 3 x 1	34.04

Charades

arch	depth	pretrain	frame length x sample rate	MAP	Flops (G) x views	Params (M)
Slow	R50	Kinetics 400	8x8	34.72	55.10 x 3 x 10	31.96
SlowFast	R50	Kinetics 400	8x8	37.24	66.60 x 3 x 10	34.00

AVA (V2.2)

arch	depth	pretrain	frame length x sample rate	MAP	Params (M)
Slow	R50	Kinetics 400	4x16	19.5	31.78
SlowFast	R50	Kinetics 400	8x8	24.67	33.82

甚至通过PyTorchVideo加持的 Lightning Flash，分类视频仅仅只需三行。

 

from flash import VideoClassifier 
model = VideoClassifier.load_from_checkpoint("checkpoint_uri")
model.predict("path_to_video_folder")

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等工作：

• Multiscale Vision Transformers

  https://arxiv.org/abs/2104.11227

• A large-scale study on unsupervised spatiotemporal representation learning

  https://arxiv.org/abs/2104.14558

• Multiview pseudo-labeling for semi-supervised learning from video

  https://arxiv.org/abs/2104.00682

• Is space-time attention all you need for video understanding?

  https://arxiv.org/abs/2102.05095

• Keeping Your Eye on the Ball: Trajectory Attention in Video Transformers

  https://arxiv.org/abs/2106.05392

• SlowFast networks for video recognition

  https://arxiv.org/abs/1812.03982

• X3D: Expanding architectures for efficient video recognition

  https://arxiv.org/abs/2004.04730

• Audiovisual SlowFast networks for video recognition

  https://arxiv.org/abs/2001.08740

• Non-local neural networks

  https://arxiv.org/abs/1711.07971

• A closer look at spatiotemporal convolutions for action recognition

  https://arxiv.org/abs/1711.11248
  

• Video classification with channel-separated convolutional networks

  https://arxiv.org/abs/1904.02811

似乎MultiScale Vision Transform也位列其中，有兴趣的朋友可以去一探究竟。

参考资料：

https://pytorchvideo.org/

https://ai.facebook.com/blog/pytorchvideo-a-deep-learning-library-for-video-understanding/

如果觉得有用，就请分享到朋友圈吧！

点个在看 paper不断！