让手机跑SOTA模型快8倍！Facebook AI开源最强全栈视频库：PyTorchVideo！ |
您所在的位置：网站首页 › oppo设置让wifi快十倍 › 让手机跑SOTA模型快8倍！Facebook AI开源最强全栈视频库：PyTorchVideo！ |
让手机跑SOTA模型快8倍！Facebook AI开源最强全栈视频库：PyTorchVideo！
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-400arch 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 Transformershttps://arxiv.org/abs/2104.11227A large-scale study on unsupervised spatiotemporal representation learninghttps://arxiv.org/abs/2104.14558Multiview pseudo-labeling for semi-supervised learning from videohttps://arxiv.org/abs/2104.00682Is space-time attention all you need for video understanding?https://arxiv.org/abs/2102.05095Keeping Your Eye on the Ball: Trajectory Attention in Video Transformershttps://arxiv.org/abs/2106.05392SlowFast networks for video recognitionhttps://arxiv.org/abs/1812.03982X3D: Expanding architectures for efficient video recognitionhttps://arxiv.org/abs/2004.04730Audiovisual SlowFast networks for video recognitionhttps://arxiv.org/abs/2001.08740Non-local neural networkshttps://arxiv.org/abs/1711.07971A closer look at spatiotemporal convolutions for action recognitionhttps://arxiv.org/abs/1711.11248Video classification with channel-separated convolutional networkshttps://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/ |
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |