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

8×8

71.46

25.89 x 3 x 10

24.33

I3D

R50

8×8

73.27

37.53 x 3 x 10

28.04

Slow

R50

4×16

72.40

27.55 x 3 x 10

32.45

Slow

R50

8×8

74.58

54.52 x 3 x 10

32.45

SlowFast

R50

4×16

75.34

36.69 x 3 x 10

34.48

SlowFast

R50

8×8

76.94

65.71 x 3 x 10

34.57

SlowFast

R101

8×8

77.90

127.20 x 3 x 10

62.83

SlowFast

R101

16×8

78.70

215.61 x 3 x 10

53.77

CSN

R101

32×2

77.00

75.62 x 3 x 10

22.21

R(2+1)D

R50

16×4

76.01

76.45 x 3 x 10

28.11

X3D

XS

4×12

69.12

0.91 x 3 x 10

3.79

X3D

S

13×6

73.33

2.96 x 3 x 10

3.79

X3D

M

16×5

75.94

6.72 x 3 x 10

3.79

X3D

L

16×5

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

8×8

60.04

55.10 x 3 x 1

31.96

SlowFast

R50

Kinetics 400

8×8

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

8×8

34.72

55.10 x 3 x 10

31.96

SlowFast

R50

Kinetics 400

8×8

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

4×16

19.5

31.78

SlowFast

R50

Kinetics 400

8×8

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/2104.11227 A large-scale study on unsupervised spatiotemporal representation learninghttps://arxiv.org/abs/2104.14558 Multiview pseudo-labeling for semi-supervised learning from videohttps://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 Transformershttps://arxiv.org/abs/2106.05392 SlowFast networks for video recognitionhttps://arxiv.org/abs/1812.03982 X3D: Expanding architectures for efficient video recognitionhttps://arxiv.org/abs/2004.04730 Audiovisual SlowFast networks for video recognitionhttps://arxiv.org/abs/2001.08740 Non-local neural networkshttps://arxiv.org/abs/1711.07971 A closer look at spatiotemporal convolutions for action recognitionhttps://arxiv.org/abs/1711.11248 Video 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。