TensorFlow

Question

TLDR; 我的问题是如何从 TFRecords 加载压缩视频帧。

我正在建立一个数据管道，用于在大型视频数据集 (Kinetics) 上训练深度学习模型。为此，我使用了 TensorFlow，更具体地说是 tf.data.Dataset 和 TFRecordDataset 结构。由于数据集包含约 30 万个 10 秒的视频，因此需要处理大量数据。在训练期间，我想从视频中随机抽取 64 个连续帧，因此快速随机抽样很重要。为实现这一点，在训练期间有许多可能的数据加载场景：

来自视频的样本。 使用 ffmpeg 或 OpenCV 和样本帧加载视频。不太理想，因为在视频中搜索很棘手，解码视频流比解码 JPG 慢得多。
JPG 图像。 通过将所有视频帧提取为 JPG 来预处理数据集。这会生成大量文件，由于随机访问，这可能不会很快。
数据容器。 将数据集预处理为 TFRecords 或 HDF5 文件。需要更多工作来准备管道，但最有可能是这些选项中最快的。

我决定采用选项 (3) 并使用 TFRecord 文件来存储数据集的预处理版本。然而，这也并不像看起来那么简单，例如：

压缩。将视频帧作为未压缩的字节数据存储在 TFRecords 中需要大量磁盘space。因此，我提取所有视频帧，应用 JPG 压缩并将压缩字节存储为 TFRecords。
视频数据。我们正在处理视频，因此 TFRecords 文件中的每个示例都非常大并且包含多个视频帧（对于 10 秒的视频通常为 250-300 ，取决于帧速率）。

我编写了以下代码来预处理视频数据集并将视频帧写入 TFRecord 文件（每个文件大小约为 5GB）：

def _int64_feature(value):
    """Wrapper for inserting int64 features into Example proto."""
    if not isinstance(value, list):
        value = [value]
    return tf.train.Feature(int64_list=tf.train.Int64List(value=value))

def _bytes_feature(value):
    """Wrapper for inserting bytes features into Example proto."""
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))


with tf.python_io.TFRecordWriter(output_file) as writer:

  # Read and resize all video frames, np.uint8 of size [N,H,W,3]
  frames = ... 

  features = {}
  features['num_frames']  = _int64_feature(frames.shape[0])
  features['height']      = _int64_feature(frames.shape[1])
  features['width']       = _int64_feature(frames.shape[2])
  features['channels']    = _int64_feature(frames.shape[3])
  features['class_label'] = _int64_feature(example['class_id'])
  features['class_text']  = _bytes_feature(tf.compat.as_bytes(example['class_label']))
  features['filename']    = _bytes_feature(tf.compat.as_bytes(example['video_id']))

  # Compress the frames using JPG and store in as bytes in:
  # 'frames/000001', 'frames/000002', ...
  for i in range(len(frames)):
      ret, buffer = cv2.imencode(".jpg", frames[i])
      features["frames/{:04d}".format(i)] = _bytes_feature(tf.compat.as_bytes(buffer.tobytes()))

  tfrecord_example = tf.train.Example(features=tf.train.Features(feature=features))
  writer.write(tfrecord_example.SerializeToString())

这很好用；数据集很好地写为 TFRecord 文件，帧为压缩的 JPG 字节。我的问题是，如何在训练期间读取 TFRecord 文件，从视频中随机采样 64 帧并解码 JPG 图像。

根据 tf.Data 上的 TensorFlow's documentation，我们需要做如下事情：

filenames = tf.placeholder(tf.string, shape=[None])
dataset = tf.data.TFRecordDataset(filenames)
dataset = dataset.map(...)  # Parse the record into tensors.
dataset = dataset.repeat()  # Repeat the input indefinitely.
dataset = dataset.batch(32)
iterator = dataset.make_initializable_iterator()
training_filenames = ["/var/data/file1.tfrecord", "/var/data/file2.tfrecord"]
sess.run(iterator.initializer, feed_dict={filenames: training_filenames})

有很多关于如何使用图像执行此操作的示例，而且非常简单。但是，对于视频和帧的随机采样，我被卡住了。 tf.train.Features 对象将帧存储为 frame/00001、frame/000002 等。我的第一个问题是如何在 dataset.map() 函数中随机抽取一组连续的帧？考虑因素是由于 JPG 压缩，每个帧的字节数可变，需要使用 tf.image.decode_jpeg.

进行解码

任何有关如何最好地设置从 TFRecord 文件读取视频样本的帮助，我们将不胜感激！

Answer 1

将每个帧编码为单独的特征使得动态 select 帧变得困难，因为 tf.parse_example()（和 tf.parse_single_example()）的签名要求解析的特征名称集是固定在图形构建时间。但是，您可以尝试将帧编码为包含 JPEG 编码字符串列表的单个特征：

def _bytes_list_feature(values):
    """Wrapper for inserting bytes features into Example proto."""
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=values))

with tf.python_io.TFRecordWriter(output_file) as writer:

  # Read and resize all video frames, np.uint8 of size [N,H,W,3]
  frames = ... 

  features = {}
  features['num_frames']  = _int64_feature(frames.shape[0])
  features['height']      = _int64_feature(frames.shape[1])
  features['width']       = _int64_feature(frames.shape[2])
  features['channels']    = _int64_feature(frames.shape[3])
  features['class_label'] = _int64_feature(example['class_id'])
  features['class_text']  = _bytes_feature(tf.compat.as_bytes(example['class_label']))
  features['filename']    = _bytes_feature(tf.compat.as_bytes(example['video_id']))

  # Compress the frames using JPG and store in as a list of strings in 'frames'
  encoded_frames = [tf.compat.as_bytes(cv2.imencode(".jpg", frame)[1].tobytes())
                    for frame in frames]
  features['frames'] = _bytes_list_feature(encoded_frames)

  tfrecord_example = tf.train.Example(features=tf.train.Features(feature=features))
  writer.write(tfrecord_example.SerializeToString())

完成此操作后，就可以动态切片 frames 特征，使用 your parsing code 的修改版本：

def decode(serialized_example, sess):
  # Prepare feature list; read encoded JPG images as bytes
  features = dict()
  features["class_label"] = tf.FixedLenFeature((), tf.int64)
  features["frames"] = tf.VarLenFeature(tf.string)
  features["num_frames"] = tf.FixedLenFeature((), tf.int64)

  # Parse into tensors
  parsed_features = tf.parse_single_example(serialized_example, features)

  # Randomly sample offset from the valid range.
  random_offset = tf.random_uniform(
      shape=(), minval=0,
      maxval=parsed_features["num_frames"] - SEQ_NUM_FRAMES, dtype=tf.int64)

  offsets = tf.range(random_offset, random_offset + SEQ_NUM_FRAMES)

  # Decode the encoded JPG images
  images = tf.map_fn(lambda i: tf.image.decode_jpeg(parsed_features["frames"].values[i]),
                     offsets)

  label  = tf.cast(parsed_features["class_label"], tf.int64)

  return images, label

（请注意，我无法运行您的代码，因此可能存在一些小错误，但希望这足以让您入门。）

Answer 2

由于您使用的依赖项非常相似，我建议您查看以下 Python 包，因为它可以解决您的确切问题设置：

pip install video2tfrecord

或参考https://github.com/ferreirafabio/video2tfrecord。它还应该具有足够的适应性以使用 tf.data.Dataset.

免责声明：我是该软件包的作者之一。

TensorFlow - 从 TFRecords 文件中读取视频帧

TensorFlow - Read video frames from TFRecords file

python

deep-learning

tfrecord

tensorflow-datasets