使用Python+yolov3實現對幀數不等長視頻進行批處理

訓練和測試一個有效的機器學習模型最重要的一步是收集大量數據並使用這些數據對其進行有效訓練。小批量（Mini-batches）訓練是最有效的訓練策略，在每次迭代中使用一小部分數據進行訓練。

但是，隨着大量的機器學習任務在視頻數據集上執行，存在着對不等長視頻進行有效批處理的問題。大多數解決方法依賴於將視頻裁剪成相等的長度，以便在迭代期間提取相同數量的幀，但在我們需要從每一幀獲取信息來有效地預測某些事情的場景中，這並不是特別有用的，特別是在自動駕駛汽車和動作識別的情景中。
本文我們通過創建一個可以處理不同長度視頻的處理方法來解決該問題。
在Glenn Jocher的Yolov3中(https://github.com/ultralytics/yolov3)，我用LoadStreams作爲基礎，創建了LoadStreamsBatch類。
類初始化

def __init__(self, sources='streams.txt', img_size=416, batch_size=2, subdir_search=False):
        self.mode = 'images'
        self.img_size = img_size
        self.def_img_size = None

        videos = []
        if os.path.isdir(sources):
            if subdir_search:
                for subdir, dirs, files in os.walk(sources):
                    for file in files:
                        if 'video' in magic.from_file(subdir + os.sep + file, mime=True):
                            videos.append(subdir + os.sep + file)
            else:
                for elements in os.listdir(sources):
                    if not os.path.isdir(elements) and 'video' in magic.from_file(sources + os.sep + elements, mime=True):
                        videos.append(sources + os.sep + elements)
        else:
            with open(sources, 'r') as f:
                videos = [x.strip() for x in f.read().splitlines() if len(x.strip())]

        n = len(videos)
        curr_batch = 0
        self.data = [None] * batch_size
        self.cap = [None] * batch_size
        self.sources = videos
        self.n = n
        self.cur_pos = 0

        # 啓動線程從視頻流中讀取幀
        for i, s in enumerate(videos):
            if curr_batch == batch_size:
                break
            print('%g/%g: %s... ' % (self.cur_pos+1, n, s), end='')
            self.cap[curr_batch] = cv2.VideoCapture(s)
            try:
                assert self.cap[curr_batch].isOpened()
            except AssertionError:
                print('Failed to open %s' % s)
                self.cur_pos+=1
                continue
            w = int(self.cap[curr_batch].get(cv2.CAP_PROP_FRAME_WIDTH))
            h = int(self.cap[curr_batch].get(cv2.CAP_PROP_FRAME_HEIGHT))
            fps = self.cap[curr_batch].get(cv2.CAP_PROP_FPS) % 100
            frames = int(self.cap[curr_batch].get(cv2.CAP_PROP_FRAME_COUNT))
            _, self.data[i] = self.cap[curr_batch].read()  # guarantee first frame
            thread = Thread(target=self.update, args=([i, self.cap[curr_batch], self.cur_pos+1]), daemon=True)
            print(' success (%gx%g at %.2f FPS having %g frames).' % (w, h, fps, frames))
            curr_batch+=1
            self.cur_pos+=1
            thread.start()
            print('')  # 新的一行

        if all( v is None for v in self.data ):
            return
        # 檢查常見形狀
        s = np.stack([letterbox(x, new_shape=self.img_size)[0].shape for x in self.data], 0)  # 推理的形狀
        self.rect = np.unique(s, axis=0).shape[0] == 1
        if not self.rect:
            print('WARNING: Different stream shapes detected. For optimal performance supply similarly-shaped streams.')

在init函數中，接受四個參數。img_size與原始版本相同，其他三個參數定義如下：

• sources：它以目錄路徑或文本文件作爲輸入。
• batch_size：所需的批大小
• subdir_search：可以切換此選項，以確保在將目錄作爲sources參數傳遞時搜索所有子目錄中的相關文件
  首先檢查sources參數是目錄還是文本文件，如果是一個目錄，我會讀取目錄中的所有內容（如果subdir_search參數爲True，子目錄也會包括在內），否則我會讀取文本文件中視頻的路徑，視頻的路徑存儲在列表中。使用cur_pos以跟蹤列表中的當前位置。
  該列表以batch_size爲最大值進行迭代，並檢查以跳過錯誤視頻或不存在的視頻。它們被髮送到letterbox函數，以調整圖像大小，這與原始版本相比沒有任何變化，除非所有視頻都有故障/不可用。
  
  

def letterbox(img, new_shape=(416, 416), color=(114, 114, 114), auto=True, scaleFill=False, scaleup=True):
    # 將圖像調整爲32個像素倍數的矩形 https://github.com/ultralytics/yolov3/issues/232
    shape = img.shape[:2]  # 當前形狀 [height, width]
    if isinstance(new_shape, int):
        new_shape = (new_shape, new_shape)

    # 比例
    r = min(new_shape[0] / shape[0], new_shape[1] / shape[1])
    if not scaleup:  # 只按比例縮小，不按比例放大（用於更好的測試圖）
        r = min(r, 1.0)

    # 計算填充
    ratio = r, r  # 寬高比
    new_unpad = int(round(shape[1] * r)), int(round(shape[0] * r))
    dw, dh = new_shape[1] - new_unpad[0], new_shape[0] - new_unpad[1]  #填充
    if auto:  # 最小矩形
        dw, dh = np.mod(dw, 64), np.mod(dh, 64)  # 填充
    elif scaleFill:  # 伸展
        dw, dh = 0.0, 0.0
        new_unpad = new_shape
        ratio = new_shape[0] / shape[1], new_shape[1] / shape[0]  # 寬高比

    dw /= 2  # 將填充分成兩側
    dh /= 2

    if shape[::-1] != new_unpad:  # 改變大小
        img = cv2.resize(img, new_unpad, interpolation=cv2.INTER_LINEAR)
    top, bottom = int(round(dh - 0.1)), int(round(dh + 0.1))
    left, right = int(round(dw - 0.1)), int(round(dw + 0.1))
    img = cv2.copyMakeBorder(img, top, bottom, left, right, cv2.BORDER_CONSTANT, value=color)  # 添加邊界
    return img, ratio, (dw, dh)

固定間隔檢索幀函數
update函數有一個小的變化，我們另外存儲了默認的圖像大小，以便在所有視頻都被提取進行處理，但由於長度不相等，一個視頻比另一個視頻提前完成。當我解釋代碼的下一部分時，它就會更清楚了，那就是next 函數。

def update(self, index, cap, cur_pos):
        # 讀取守護進程中的下一個幀
        n = 0
        while cap.isOpened():
            n += 1
            # _, self.imgs[index] = cap.read()
            cap.grab()
            if n == 4:  # 每4幀讀取一次
                _, self.data[index] = cap.retrieve()
                if self.def_img_size is None:
                    self.def_img_size = self.data[index].shape
                n = 0
            time.sleep(0.01)  # 等待

迭代器
如果幀存在，它會像之前一樣傳遞給letterbox函數，而如果frame爲None的，則意味着視頻已被完全處理，這時我們檢查列表中的所有視頻是否都已被處理，如果有更多的視頻要處理，cur_pos指針將用於獲取下一個可用視頻的位置。
如果不再從列表中提取視頻，但仍在處理某些視頻，則向其他處理組件發送一個空白幀，即它根據其他批次中的剩餘幀動態調整視頻大小。

def __next__(self):
        self.count += 1
        img0 = self.data.copy()
        img = []

        for i, x in enumerate(img0):
            if x is not None:
                img.append(letterbox(x, new_shape=self.img_size, auto=self.rect)[0])
            else:
                if self.cur_pos == self.n:
                    if all( v is None for v in img0 ):
                        cv2.destroyAllWindows()
                        raise StopIteration
                    else:
                        img0[i] = np.zeros(self.def_img_size)
                        img.append(letterbox(img0[i], new_shape=self.img_size, auto=self.rect)[0])
                else:
                    print('%g/%g: %s... ' % (self.cur_pos+1, self.n, self.sources[self.cur_pos]), end='')
                    self.cap[i] = cv2.VideoCapture(self.sources[self.cur_pos])
                    fldr_end_flg = 0
                    while not self.cap[i].isOpened():
                        print('Failed to open %s' % self.sources[self.cur_pos])
                        self.cur_pos+=1
                        if self.cur_pos == self.n:
                            img0[i] = np.zeros(self.def_img_size)
                            img.append(letterbox(img0[i], new_shape=self.img_size, auto=self.rect)[0])
                            fldr_end_flg = 1
                            break
                        self.cap[i] = cv2.VideoCapture(self.sources[self.cur_pos])
                    if fldr_end_flg:
                        continue
                    w = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
                    h = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
                    fps = cap.get(cv2.CAP_PROP_FPS) % 100
                    frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
                    _, self.data[i] = self.cap[i].read()  # 保證第一幀
                    img0[i] = self.data[i]
                    img.append(letterbox(self.data[i], new_shape=self.img_size, auto=self.rect)[0])
                    thread = Thread(target=self.update, args=([i, self.cap[i], self.cur_pos+1]), daemon=True)
                    print(' success (%gx%g at %.2f FPS having %g frames).' % (w, h, fps, frames))
                    self.cur_pos+=1
                    thread.start()
                    print('')  # 新的一行

        # 堆疊
        img = np.stack(img, 0)

        # 轉換
        img = img[:, :, :, ::-1].transpose(0, 3, 1, 2)  # BGR 到 RGB, bsx3x416x416
        img = np.ascontiguousarray(img)

        return self.sources, img, img0, None

結論
隨着大量的時間花費在數據收集和數據預處理上，我相信這有助於減少視頻與模型匹配的時間，我們可以集中精力使模型與數據相匹配。
參考鏈接：https://towardsdatascience.com/variable-sized-video-mini-batching-c4b1a47c043b