FFmpeg是什么，通俗的说，在看片子的时候，需要用到视频播放器，而很多视频播放器的底层用的就是FFmpeg。这是我在2019年在FFmpeg深度学习模块中所做事情的总结，由于我在19年是这个模块的主要贡献者，所以，这个总结也差不多就是FFmpeg深度学习模块的现状总结了。
在2018年的时候，Pedro Arthur ([email protected])带着学生Sergey Lavrushkin ([email protected])完成了一个GSoC项目，将TensorFlow引入FFmpeg，并且增加了一个超分辨率(super resolution)的video filer(vf_sr.c)，来演示如何使用深度学习模型。
这里简单介绍一下GSoC，即Google Summer of Code，是Google公司赞助的项目，每年一次，到2020年将是第16次，用来鼓励学生参与各种开源项目的实际代码开发(不限于Google的开源项目，当然此项目也需要Google的同意)，还有一定的经济资助。如果你是学生身份，强烈建议尽量参加。
回到FFmpeg，在18年的时候，我参与了这个模块的讨论，当时我的想法是，支持各种深度学习框架的模型，根据传入模型的类型，再调用相应的深度学习框架在后端加载执行。在今天事后来看，这个建议存在的一个问题是，有些深度学习框架没有提供C接口（可能提供了C++接口），而FFmpeg社区要求使用C接口，这个问题我现在也还没有解决方法。另外，我当时还建议把这个作为单独的模块，或者起码放在libavutil中，但是，最终还是放在了libavfilter目录下面，因为考虑到目前主要是被filter调用。
最后完成的代码支持深度学习框架TensorFlow，FFmpeg可以接受TensorFlow的网络模型文件(.pb)，准备好输入输出后，再在后端调用TensorFlow的C库文件加载并执行这个模型。另外，考虑到某些系统可能没有TensorFlow，所以，在FFmpeg中增加了native cpu path的支持，即可以fallback到cpu path，这个native后端也定义了一套模型文件格式，即native model。为什么在native模式下不是直接接受.pb文件呢，因为在不使用第三方库（比如protobuf）的情况下解析加载pb文件也是挺麻烦的事情，需要很多的代码支持，没必要也不应该在FFmpeg中增加这样的代码。
由于其中不少代码都是hard code形式写死的，所以，我在2019年的时候，开始发patch来改进这里的代码，并且思考和实践如何让FFmpeg的用户将深度学习的相关功能用起来。大致总结如下。
- 调整了深度学习模块的目录结构
虽然我把这个写在第一点，刚好可以顺便先做一个框架性的介绍。但是，实际是在发了不少patch被社区初步信任后，才做的目录调整，这也是参加开源社区工作的一个经验，仅供参考。
原先所有的代码文件都直接放在libavfilter目录下面，考虑到支持native mode将会需要很多代码，所以，在libavfilter目录下创建了子目录dnn，除了将dnn_interface.h这个接口文件继续直接放在libavfilter目录下，其他的dnn相关文件都被移到了dnn子目录中，当然，基于dnn的filter文件还是直接在libavfilter目录中。如下图所示。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-sJpVLRW9-1587431701089)(https://graph.baidu.com/resource/22267e493fadf4daff84301579486798.png)]
其中，vf_sr.c就是前面介绍的2018年GSoC完成的超分辨率filter；而去除雨点等功能的vf_derain.c则是刘歧（网名悟空，Steven Liu [email protected]）带着学生Xuewei Meng ([email protected])完成的GSoC2019项目；vf_dnn_processing.c是我做的基于dnn模型的一个通用的图像处理filter，希望所有只改变AVFrame内容的功能都可以用这一个filter来实现，目前已支持RGB和Gray等格式，而YUV相关格式的支持还在完成中；vf_dnn_analytic.c则是我设想中的filter，可以基于dnn模型从frame中提取一些信息，比如目标检测、人脸识别等等，可能会扩展成多个不同用途的filter，初步计划在2020年完成。
在libavfilter/dnn目录下，目前有两部分的内容，一是调用TensorFlow C library的接口层，二是实现native layer的代码，如果以后有需要，还可以增加更多的深度学习框架的C库支持。因为DNN interface接口层的存在，dnn的实现和基于dnn的filter之间是解耦的。
我在2019年在FFmpeg中的主要工作，除了从头开始支持ROI encoding外，就是从dnn filter到DNN interface再到dnn实现的全覆盖。filter和dnn实现互为表里，相互促进，目前两者都还处于比较初始的阶段，我希望可以做好初始推动力的作用，使得两者可以尽快形成良性循环正反馈，可以吸引更多的开发者和用户参加进来，也欢迎您的参与！
- 模型文件转换的python脚本
在初始代码中，native模型文件的生成方法，是根据相应的TensorFlow模型，手工一句句地写代码将模型导出到文件中。如果TF模型略有调整，也必须手工修改相应的代码，再重新生成native模型文件。这样的方法，无法扩展也不实用。所以，我写了个python脚本，输入是TF模型文件，输出是native模型文件，并且在native模型文件中增加了文件头和版本号等信息。这个脚本文件目前只支持当前FFmpeg支持的layer，需要继续完善。
- native layer代码的重构
在原来代码中，native模型的加载由一个函数完成，我将其拆分为了一个入口函数和若干子函数，每个子函数对应一个layer的加载。在原来代码中，所有nativer layer的执行函数放在一个文件中。我为每个layer在libavfilter/dnn目录下创建了一个新文件，对应的加载函数和执行函数都放在这个文件中，实现了不同layer之间在文件级别的隔离。在入口函数中，则用函数指针数组的方式来直接调用相应layer的函数，不使用if/else或者switch的方式，避免了大量的重复代码。
所以，现在如果要修改某个layer的实现，只需要修改相应的一个文件即可，不太会造成side effect。如果要增加一个layer，则只需要增加一个新的代码文件（.c和.h），然后注册到函数指针数组中即可，也不会存在误操作影响到已有代码的功能。
- 增加FATE测试
FATE (FFmpeg Automated Testing Environment) 是FFmpeg社区开发的自动化测试框架，要持续维护一个良好质量的软件项目，快速的自动化测试（包括单元测试、回归测试等等）都是必不可少的看门人角色，非常重要。基于FATE框架，我为每一个navier layer都增加了单元测试，以后有新的layer加入，只要依葫芦画瓢再增加就可以了。我也为vf_dnn_processing增加了测试。由于当前native layer中的卷积层conv2d的性能不佳，所以，还无法为vf_sr和vf_derain增加FATE测试，否则，耗时太久，反而影响了自动化测试的初始目的。
-
DNN interface接口调整
- 在使用TF后端的时候，之前代码要求模型的输入变量的名字必须是x，输出变量名字必须是y。我调整了接口，输入输出变量名字可以在filter层次指定。
- 在使用native后端的时候，之前代码将第一个layer的输入作为模型的输入，将最后一个layer的输出作为模型的输出。我增加了name的支持，可以通过name字符串来找到模型的输入输出变量，也使得行为和TF一致。
- 之前代码假设模型的输入输出都是float32格式的数据。我调整了数据结构，使得float32和uint8格式都可以指定。
- 将native模型的输出变量从一个增加到了多个，以适合目标检测等模型的要求。
- 增加了一个查询接口，在模型文件被加载后，FFmpeg就可以查询模型的输入格式，比如width、height、channel和format等信息，方便检查模型文件是否正确，或者做一些诸如图片缩放等预处理。
-
增加了更多native layer的支持
为了上述DNN接口层的调整，需要有实际的例子来表明这些调整是需要的，也为了不产生regression问题，需要增加更多nativer layer。另外，从项目本身来说，增加更多的nativer layer以支持更多的深度学习模型，比如目标检测等模型，也是题中应有之义。在19年下半年，带了上海交大密歇根学院5位同学的本科毕业设计课程，增加了一些native layer的实现，但没有upstream。
- 为native mode引入Operand的概念
在之前的代码中，nativer layer是依次顺序排列，第i层的输出就是第i+1层的输入，无法支持一个层的输出作为多个层的输入，也不支持一个层的输入来自多个层。增加了Operand操作数概念后，层和层之间用Operand连接，就可以实现这些分支合并功能。如何使得Operand更好的节约内存、减少内存拷贝，目前还只有想法，尚未代码实现。
- 已有代码的一些bug的fix等
这部分工作，赵军Jun Zhao ([email protected])、刘歧Steven Liu( [email protected])还有leozhang ([email protected])、Zhao Zhili ([email protected])等也做了不少贡献。话说这样的统计功能怎么做啊，我是手工地肉眼看了一遍，大概率会遗漏什么，，，如有漏人，请告诉我。
最后，感谢老板的支持和社区的认可，我在2019年底成为了FFmpeg深度学习模块的maintainer。另外，我的大部分代码都是Pedro Arthur ([email protected]) review的，在此也表示感谢。
以上内容是本人业余时间兴趣之作，限于水平，差错难免，仅代表个人观点，和本人任职公司无关。
本文首发于微信公众号：那遁去的一