本模型是对短视频进行内容分类,输入视频片段,输出视频内容分类,目前已经覆盖了23个一级类目/160个二级类目。
模型采用resnet50网络结构提取视觉特征,采用NextVLAD网络对连续视频帧进行特征聚合。
使用方式:
使用场景:
提供输入视频,即可以通过简单的Pipeline调用来识别结果。
import os
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
os.system('wget -O test.mp4 https://modelscope.oss-cn-beijing.aliyuncs.com/test/videos/video_category_test_video.mp4')
category_pipeline = pipeline(
Tasks.video_category, model='damo/cv_resnet50_video-category')
result = category_pipeline('test.mp4')
print('Result: {}'.format(result))
训练数据共约40w带内容分类标签的视频片段。
使用128的batch size训练120 epochs. 基准学习率为0.1,训练过程中先采用线性预热策略,然后采用cosine的退火策略降低学习率。优化器采用SGD,weight decay和momentum分别为0.005和0.9。
– 训练:采样16张图像,random crop、random flip
– 测试:采样16张图像,resize短边到256,然后CenterCrop到224*224,推理后输出。
通过收集线上的实际应用数据进行评测,一级类目top1精度81.38%, 二级类目top1精度66.82%。