FAST-VQA-and-FasterVQA

FAST-VQA-and-FasterVQA

开源高效视频质量评估框架

FAST-VQA和FasterVQA是端到端视频质量评估的开源工具箱,提供高效的评估模型。FasterVQA作为FAST-VQA的改进版,在保持相似性能的同时速度提升4倍。这些模型在多个数据集上达到最先进水平。项目采用模块化架构,支持灵活的空间和时间采样方法及多种网络结构。研究者可进行模型训练、测试,并在小型数据集上微调。

FAST-VQAFasterVQA视频质量评估深度学习机器学习Github开源项目

FAST-VQA/FasterVQA

📘我们在huggingface上维护了LSVQ数据集的非官方副本链接,这对于复现FAST-VQA/FasterVQA的训练是必需的。请遵守该数据集原始的使用条款,我们对任何不合规使用不承担责任。

访问者 最先进

  • 2023年9月11日:扩展版(FasterVQA)被TPAMI 2023接收!
  • 2022年12月2日:升级了默认推理脚本。
  • 2022年11月10日:发布ECVA官方版本,以及我们基于FAST-VQA的未来工作DOVER,性能更佳:PDF摘要GitHub
  • 2022年10月12日:发布FasterVQA论文预印本:PDF摘要
  • 2022年9月27日:发布FasterVQA模型:效率提高4倍,在Apple M1 CPU上实现14倍实时推理(针对FasterVQA-MT,在我的旧Mac上测试)。
  • 2022年9月10日:支持自适应多尺度推理(AMI):一个模型适用于不同尺度的输入。

FasterVQA的性能:

[多个性能徽章]

FAST-VQA的性能:

[多个性能徽章]

一个开源的端到端视频质量评估工具箱,

同时也是ECCV2022论文FAST-VQA: 基于片段采样的高效端到端视频质量评估及其扩展论文基于邻域代表性采样的高效端到端视频质量评估的可复现代码。 :sparkles: 我们正式宣布推出FasterVQA(开发期间命名为FAST-VQA-B-3D),它将提出的Fragments扩展为3D版本,带来4倍速度提升的同时保持相似性能。随着会议临近,ECCV论文的官方CVF版本也将很快上线。

我们正式发布了新版的FasterVQA,在效率提升4倍的情况下保持接近原始FAST-VQA的性能。

在这个版本中,我们重构了训练和测试代码。重构后的代码可以达到与原始版本相同的性能,并允许修改(1)骨干网络结构;(2)采样超参数;(3)损失函数。

在这一版本中,我们对训练和测试的代码进行了重构。重构后的代码可以达到与原始版本相同的性能,并允许修改网络结构/采样的超参数/损失函数。

图片

[升级版] 对单个MP4视频进行推理

python vqa.py -m [模型类型] -v [您的输入文件路径]

模型类型可以在FasterVQA、FAST-VQA及其高效版本FasterVQA-MS、FasterVQA-MT、FAST-VQA-M中选择。

默认python vqa.py(使用FasterVQA推理)的输出可能是:

使用模型[FasterVQA]进行推理:
视频的质量得分(范围[0,1])为0.42326。

python vqa.py -m FAST-VQA(使用FAST-VQA推理)的输出可能是:

使用模型[FAST-VQA]进行推理:
视频的质量得分(范围[0,1])为0.44953。

结果现在通过sigmoid函数缩放到[0,1]之间。

<span style="color:red">接近0的分数:极差质量。</span>

<span style="color:orange">0.25分:差质量。</span>

<span style="color:yellow">0.5分:一般质量。</span>

<span style="color:#A5DF00">0.75分:良好质量。</span>

<span style="color:green">接近1.0的分数:极佳质量。</span>

查看我们的Weights & Biases训练日志

我们在Wandb上公开了一部分训练和测试曲线。

我们正在重现几个实验并公开我们的训练日志。

传送门

现在支持:

  • FasterVQA-finetuned-to-KonViD-1k
  • FasterVQA-on-MT-and-MS-scales-with-AMI

:triangular_flag_on_post: 为开发设计的模块化部分

数据预处理

请查看数据处理以查看数据处理的源代码。 特别是,查看FusionDataset类和get_spatial_and_temporal_samples函数以了解我们的核心转换。

空间采样

我们支持以下空间采样方法:

  • fragments
  • resize
  • arp_resize (保持原始宽高比的调整大小)
  • crop

我们还支持这些采样方法的组合(多分支网络)以获得更大的灵活性。

时域采样(新)

我们还支持不同的时域采样方法:

  • SampleFrames (采样连续帧,从MMAction2导入)
  • FragmentSampleFrames (:sparkles: 新,采样类似fragment的不连续帧)

网络结构

网络骨干

  • Video Swin Transformer (带GRPB,如FAST-VQA中所提出)
  • Video Swin Transformer (原始版)
  • ConvNext-I3D (原始版)

网络头

IP-NLR头可以为视频生成局部质量图。

安装

依赖

原始库使用以下环境构建:

  • python=3.8.8
  • torch=1.10.2
  • torchvision=0.11.3

同时使用decord模块读取原始视频(这样您就不需要对原始.mp4输入进行任何转换)。

要获取所有依赖,请运行:

pip install -r requirements.txt

直接安装

您可以运行:

git clone htps://github.com/QualityAssessment/FAST-VQA-and-FasterVQA.git cd FAST-VQA-and-FasterVQA pip install -e .

来安装完整的FAST-VQA及其依赖。-e选项允许您导入自定义版本的包。

使用方法

快速基准测试

步骤1:获取预训练权重

我们支持几个版本的预训练权重:

名称预训练空间片段时间片段PLCC@LSVQ_1080pPLCC@LSVQ_testPLCC@LIVE_VQCPLCC@KoNViDMACs配置模型
FAST-VQA-B (ECCV2022)Kinetics-4007*32132(4)0.8140.8770.8440.855279G配置github
FasterVQA (:sparkles: 新!)Kinetics-4007*328*4(*1)0.8110.8740.8370.86469G配置github
- 使用AMI零样本迁移到MT规模Kinetics-4007*324*4(*1)0.7910.8600.8260.84935G配置与FasterVQA相同
- 使用AMI零样本迁移到MS规模Kinetics-4005*328*4(*1)0.7980.8490.8180.85436G配置与FasterVQA相同
FAST-VQA-B-From-Scratch (:sparkles: 新!)7*32132(4)0.7070.7910.7660.793279G配置github
FAST-VQA-B-3D-From-Scratch (:sparkles: 新!)7*328*4(*1)0.6850.7600.7390.77369G配置github
FAST-VQA-M (ECCV2022)Kinetics-4004*321*32(*4)0.7730.8540.8100.83246G配置github

步骤2:下载相应数据集

LSVQ: Github KoNViD-1k: 官方网站 LIVE-VQC: 官方网站

步骤3:运行以下一行脚本!

python new_test.py -o [你的选项]

训练

从识别模型获取预训练权重

你可能需要下载原始的Swin-T权重来初始化模型。

在大型数据集(LSVQ)上训练

要训练FAST-VQA-B,请运行

python new_train.py -o options/fast/fast-b.yml

要训练FAST-VQA-M,请运行

python new_train.py -o options/fast/fast-m.yml

要训练FasterVQA(FAST-VQA-B-3D),请运行

python new_train.py -o options/fast/f3dvqa-b.yml

使用提供的权重在小型数据集上进行微调

这个训练过程将数据集随机分成10个训练/测试集(随机种子为42),并报告测试数据集随机分割后的最佳结果。

python split_train.py -opt [你的选项文件]

你可以在微调配置文件中查看选项文件。

FAST-VQA-B的结果:

KoNViD-1kCVD2014LIVE-QualcommLIVE-VQCYouTube-UGC
SROCC0.8910.8910.8190.8490.855
PLCC0.8920.9030.8510.8620.852

FasterVQA(FAST-VQA-B-3D)的结果:

KoNViD-1kCVD2014LIVE-QualcommLIVE-VQCYouTube-UGC
SROCC0.8950.8960.8260.8430.863
PLCC0.8980.9040.8430.8580.859

注意,这部分仅支持FAST-VQA-B和FAST-VQA-B-3D(FasterVQA);但你可以为其他变体创建自己的选项文件。 支持的数据集包括KoNViD-1k、LIVE_VQC、CVD2014、LIVE-Qualcomm和YouTube-UGC。

引用

如果提出相关论文,请在参考文献中引用以下论文。

@misc{wu2022fasterquality, title={用于高效端到端视频质量评估的邻域代表性采样}, author={吴昊宁 and 陈超峰 and 廖亮 and 侯静文 and 孙文秀 and 闫琼 and 顾金伟 and 林伟思}, year={2022}, eprint={2210.05357}, archivePrefix={arXiv} } @article{wu2022fastquality, title={FAST-VQA:使用片段采样的高效端到端视频质量评估}, author={吴昊宁 and 陈超峰 and 侯静文 and 廖亮 and 王安南 and 孙文秀 and 闫琼 and 林伟思}, journal={欧洲计算机视觉会议论文集(ECCV)}, year={2022} }

如果使用了此代码库,请引用:

@misc{end2endvideoqualitytool, title = {开源深度端到端视频质量评估工具箱}, author = {吴昊宁}, year = {2022}, url = {http://github.com/timothyhtimothy/fast-vqa} }

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多