MiraData

MiraData

长时视频数据集助力AI视频生成研究

MiraData是一个为长视频生成任务设计的大规模数据集。其特点包括平均72秒的视频长度和详细的结构化字幕。数据集提供330K、93K、42K和9K四个版本,每个视频配有六类字幕:主要对象、背景、风格、相机运动、简短摘要和详细描述。这些特性使MiraData成为改进长序列视频处理和镜头转换建模的重要资源。

MiraData视频数据集长视频结构化标注视频生成Github开源项目
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c8ba7f5a-bb62-492e-89c1-857d9594e5dd.png" height=80> </p> <div align="center">

MiraData:一个具有长时间视频和结构化字幕的大规模视频数据集

Xuan Ju<sup>1*</sup>, Yiming Gao<sup>1*</sup>, Zhaoyang Zhang<sup>1*#</sup>, Ziyang Yuan<sup>1</sup>, Xintao Wang<sup>1</sup>, Ailing Zeng, Yu Xiong, Qiang Xu, Ying Shan<sup>1</sup> <br> <sup>1</sup>腾讯PCG ARC实验室 <sup>2</sup>香港中文大学 <sup>*</sup>同等贡献 <sup>#</sup>项目负责人

arXiv 项目页面 数据链接 🤗Hugging Face数据集

</div>

简介

视频数据集在视频生成(如Sora)中起着至关重要的作用。然而,现有的文本-视频数据集在处理长视频序列和捕捉镜头转换方面往往存在不足。为了解决这些限制,我们推出了MiraData,这是一个专为长视频生成任务设计的视频数据集。此外,为了更好地评估视频生成中的时间一致性和运动强度,我们引入了MiraBench,它通过增加3D一致性和基于跟踪的运动强度指标来增强现有的基准。您可以在我们的研究论文中找到更多详细信息。

MiraData的主要特点

  1. 长视频时长:与以往的数据集不同,其中视频片段通常很短(通常不到20秒),MiraData专注于未剪辑的视频段,平均时长为72秒。这种延长的时长允许对视频内容进行更全面的建模。
  2. 结构化字幕:MiraData中的每个视频都配有结构化字幕。这些字幕从各个角度提供详细描述,增强了数据集的丰富性。平均字幕长度为318个单词,确保了对视频内容的全面表述。

alt text

数据集

元文件

我们发布了四个版本的MiraData,分别包含330K、93K、42K、9K数据。

此版本MiraData的元文件可在Google DriveHuggingFace数据集中获取。此外,为了更好更快地理解我们的元文件组成,我们随机抽样了100个视频片段的集合,可以在这里访问。元文件包含以下索引信息:

  • clip_id:视频片段索引,由{download_id}.{clip_id}组成
  • source:视频下载来源和类别
  • video_url:视频源URL
  • video_id:源网站中的视频ID
  • width:视频宽度
  • height:视频高度
  • fps:用于提取帧的视频帧率
  • seconds:视频片段的时长
  • timestamp:源视频中的片段开始和结束时间戳(用于从源视频中剪切视频片段)
  • frame_number:视频片段的帧数
  • framestamp:源视频中的片段开始和结束帧
  • file_path:存储视频片段的文件路径
  • short_caption:简短的整体字幕
  • dense_caption:详细的整体字幕
  • background_caption:视频背景的字幕
  • main_object_caption:视频中主要对象的字幕
  • style_caption:视频风格的字幕
  • camera_caption:相机移动的字幕

下载

要下载视频并将其分割成片段,首先从Google DriveHuggingFace数据集下载元文件。获得元文件后,您可以使用以下脚本下载视频样本:

python download_data.py --meta_csv {元文件} --download_start_id {下载ID的开始} --download_end_id {下载ID的结束} --raw_video_save_dir {保存原始视频的路径} --clip_video_save_dir {保存剪切视频的路径}

<sup>如果您需要,我们将从我们的数据集/Github/项目网页中删除视频样本。请联系我们提出请求。</sup>

收集和标注

为了收集MiraData,我们首先手动选择不同场景的YouTube频道,并包括来自HD-VILA-100MVideovoPixabayPexels的视频。然后,下载相应频道中的所有视频,并使用PySceneDetect进行分割。我们随后使用多个模型将短片段拼接在一起,并过滤掉低质量的视频。接着,我们选择了长时间的视频片段。最后,我们使用GPT-4V为所有视频片段添加字幕。

alt text

结构化字幕

MiraData中的每个视频都配有结构化字幕。这些字幕从各个角度提供详细描述,增强了数据集的丰富性。

六种类型的字幕

  • 主要对象描述:描述视频中的主要对象或主题,包括其属性、动作、位置和整个视频中的移动。
  • 背景:提供环境或场景的上下文,包括物体、地点、天气和时间。
  • 风格:涵盖艺术风格、视觉和摄影方面,如写实、赛博朋克和电影风格。
  • 镜头移动:详述任何摄像机平移、变焦或其他移动。
  • 简短标题:使用Panda-70M标题模型生成的简洁摘要,捕捉视频的精髓。
  • 详细描述:更加详尽的描述,总结上述五种类型的标题。

使用GPT-4V生成标题

我们测试了现有的开源视觉语言模型方法和GPT-4V,发现GPT-4V的标题在时间序列的语义理解方面表现出更好的准确性和连贯性。

为了平衡标注成本和标题准确性,我们对每个视频均匀采样8帧,并将它们排列成2x4网格的一张大图像。然后,我们使用Panda-70M的标题模型为每个视频标注一句话标题,作为主要内容的提示,并将其输入我们微调的提示中。通过将微调的提示和2x4大图像输入GPT-4V,我们可以在一轮对话中高效输出多个维度的标题。具体提示内容可以在caption_gpt4v.py中找到,我们欢迎大家为更高质量的文本-视频数据做出贡献。:raised_hands:

<div style="display:inline-block" align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/e92616ff-047f-4e1e-8364-6e6a192ed121.png" width="350"/> </div> <div style="display:inline-block" align=center>短标题、详细标题和结构化标题的文本长度统计。</div> <div style="display:inline-block" align=center> <img src="https://yellow-cdn.veclightyear.com/835a84d5/6b5afb16-f039-4cf8-b113-4d0f871d2bf3.png" width="300"/> <img src="https://yellow-cdn.veclightyear.com/835a84d5/cb917ec5-0377-4222-ae13-b7bf7f222456.png" width="300"/> </div> <div style="display:inline-block" align=center>短标题词云。&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;详细标题词云。</div>

基准测试 - MiraBench

为了评估长视频生成,我们在MiraBench中从6个角度设计了17个评估指标,包括时间一致性、时间运动强度、3D一致性、视觉质量、文本-视频对齐和分布一致性。这些指标涵盖了之前视频生成模型和文本到视频基准测试中使用的大多数常见评估标准。

要评估生成的视频,请首先通过以下方式设置Python环境:

pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu116
pip install -r requirements.txt

然后,通过以下方式运行评估:

python calculate_score.py --meta_file data/evaluation_example/meta_generated.csv --frame_dir data/evaluation_example/frames_generated --gt_meta_file data/evaluation_example/meta_gt.csv --gt_frame_dir data/evaluation_example/frames_gt --output_folder data/evaluation_example/results --ckpt_path data/ckpt --device cuda

您可以按照data/evaluation_example中的示例来评估您自己生成的视频。

许可协议

请查看LICENSE

  • MiraData数据集仅供参考。版权归视频原始所有者所有。
  • MiraData数据集的所有视频均来自互联网,不属于我们机构的财产。我们机构不对这些视频的内容或含义负责。
  • 您同意不以任何商业目的复制、复制、复印、出售、交易、转售或利用视频的任何部分和任何衍生数据的任何部分。您同意不进一步复制、发布或分发MiraData数据集的任何部分。

引用

如果您发现这个项目对您的研究有用,请引用我们的论文。:blush:

@misc{ju2024miradatalargescalevideodataset,
      title={MiraData: A Large-Scale Video Dataset with Long Durations and Structured Captions}, 
      author={Xuan Ju and Yiming Gao and Zhaoyang Zhang and Ziyang Yuan and Xintao Wang and Ailing Zeng and Yu Xiong and Qiang Xu and Ying Shan},
      year={2024},
      eprint={2407.06358},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2407.06358}, 
}

联系信息

如有任何疑问,请发送电子邮件至mira-x@googlegroups.com

许可

MiraData遵循GPL-v3许可,并支持商业用途。如果您需要YOLO-World的商业许可,请随时与我们联系。

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