【多模态大模型】AI对视频内容解析问答

文章目录

• 1. 项目背景
• 2. 直接对视频进行解析进行AI问答：MiniGPT4-Video
• • 2.1 MiniGPT4-Video效果
  • 3. 对视频抽帧为图片再进行AI问答
  • • 3.1 视频抽帧
    • 3.2 图片AI问答
    • • 3.2.1 阿里通义千问大模型 Qwen-vl-plus
      • 3.2.2 Moonshot

        1. 项目背景

        最近在做一个项目,需要使用AI技术对视频内容进行解析。实现这个功能,我们有两种可行的思路:

        1. 直接对视频进行解析进行AI问答:
        • 这种方法可以充分利用视频中包含的动态信息,如物体运动、声音等,从而得到更丰富的理解结果。
        • 需要使用专门的视频处理和理解模型,例如视频分类、目标检测、字幕生成等深度学习技术。
        • 这种方式计算量较大,对硬件性能要求较高,适合部署在服务器端环境中。
          1. 对视频抽帧为图片再进行AI问答:
          • 这种方法相对更加简单和高效,可以直接利用成熟的图像理解模型。
          • 可以根据需求灵活选择合适的帧率,提取关键帧进行分析。
          • 这种方法计算量较小,更适合部署在移动设备或边缘计算环境中。

            2. 直接对视频进行解析进行AI问答：MiniGPT4-Video

            MiniGPT4-video是一个视频理解的多模态大模型，可以直接对视频内容向AI进行提问。

            官网：https://vision-cair.github.io/MiniGPT4-video/

            论文链接：https://arxiv.org/abs/2404.03413

            2.1 MiniGPT4-Video效果

            官网中可以传本地视频和链接视频测试效果。我们只要在 Your Question 输入对AI提出的问题，AI就会在 MiniGPT4-video Answer 中给出这个问题的答案。

            

            笔者做了多次尝试，能够直接对视频内容进行解析，快速得到想要的答案，效果还不错。

            3. 对视频抽帧为图片再进行AI问答

            3.1 视频抽帧

            笔者测试了两款常用的视频抽帧工具：opencv 和 ffmpeg。这两款工具实现的效果都相同，笔者更倾向于使用 opencv，因为它是python的第三方库，可以直接调用python代码，使用起来更方便。详细的介绍，可以查看笔者的另一篇文章：

            视频抽帧转图片，opencv和ffmpeg效果测评

            在这里补充一下视频处理的几个重要概念：

            • 帧(Frame)：在视频或动画中，帧指的是单个静态图像。视频或动画由大量连续的帧组成。
            • 帧数(Frame Count)：视频或动画中总共包含的帧的数量。帧数决定了视频或动画的长度。
            • 帧率(Frame Rate)：每秒显示的帧数,也称为FPS(Frames Per Second)。帧率决定了视频或动画的流畅度和质量。常见的帧率有24FPS、30FPS、60FPS等。
            • FPS(Frames Per Second)：每秒显示的帧数,即帧率。这是视频或动画的一个重要参数,决定了画面的流畅性。较高的帧率(如60FPS)可以提供更流畅的视觉体验,而较低的帧率(如24FPS)可能会出现卡顿或闪烁的问题。

              举例来说假如我有一个视频，他的视频长度是42s，fps是25，每隔15秒抽取一张图，那么抽取的图片数是： 25*42/15 = 70张。

              如果使用的是 opencv，可以使用以下代码，通过调整 timef，可以得到截取到不同数目的视频图片数。

              import cv2
              from PIL import Image
              import numpy as np
              cap = cv2.VideoCapture("D:/Download/ANMR0005.mp4")  # 获取视频对象
              isOpened = cap.isOpened  # 判断是否打开
              # 视频信息获取
              fps = cap.get(cv2.CAP_PROP_FPS)
              imageNum = 0
              sum=0
              timef=15  #隔15帧保存一张图片
              while (isOpened):
                  sum+=1
                  (frameState, frame) = cap.read()  # 记录每帧及获取状态
                  if frameState == True and (sum % timef==0):
                      # 格式转变，BGRtoRGB
                      frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
                      # 转变成Image
                      frame = Image.fromarray(np.uint8(frame))
                      frame = np.array(frame)
                      # RGBtoBGR满足opencv显示格式
                      frame = cv2.cvtColor(frame, cv2.COLOR_RGB2BGR)
                      imageNum = imageNum + 1
                      fileName = 'D:/Download/video_image/image' + str(imageNum) + '.jpg'  # 存储路径
                      cv2.imwrite(fileName, frame, [cv2.IMWRITE_JPEG_QUALITY, 100])
                      print(fileName + " successfully write in")  # 输出存储状态
                  elif frameState == False:
                      break
              print('finish!')
              cap.release()
              

              3.2 图片AI问答

              接下来，让我们来测试阿里通义千问大模型 Qwen-vl-plus 和 Moonshot。

              我们准备了一张从海飞丝洗发水的广告视频中抽帧出来的图片，要让AI回答：请你判断图中是否包含洗发水？，请你回答“是”或“否”，并解释原因。

              

              3.2.1 阿里通义千问大模型 Qwen-vl-plus

              在使用 Qwen-vl-plus 大模型需要在官网创建一个API-KEY，才能调用接口。API官方文档用详细介绍这个模型要怎么调用，参数如何设置等详细说明。

              • API官方说明文档：

                https://help.aliyun.com/zh/dashscope/developer-reference/qwen-vl-plus/?spm=a2c4g.11186623.0.0.1e9d7794QqfJS4

                • API-KEY的创建：

                  https://help.aliyun.com/zh/dashscope/developer-reference/activate-dashscope-and-create-an-api-key?spm=a2c4g.11186623.0.0.21477794cgawYi

                  调用 Qwen-vl-plus 大模型，与AI问答的代码，如下：

                  from dashscope import MultiModalConversation
                  import dashscope
                  import json
                  import time
                  def invokeQween_vl_plus(api_key, prompt, file_path):
                      '''
                      API官方说明文档：https://help.aliyun.com/zh/dashscope/developer-reference/qwen-vl-plus/?spm=a2c4g.11186623.0.0.1e9d7794QqfJS4
                      @param
                      api_key (str): 阿里云 用户中心-API Key管理获取：https://help.aliyun.com/zh/dashscope/developer-reference/activate-dashscope-and-create-an-api-key?spm=a2c4g.11186623.0.0.36347794rx7gaK
                      prompt (str): 对文件分析的指令
                      file_path (str)：需要解析的文件路径。示例："./A.png"
                      
                      @return
                      text (str)：模型输出
                      input_tokens（int）：输入Token
                      output_tokens（int）：输出Token
                      image_tokens （int）：输入图片Token
                      time_consuming（int）：耗时
                      '''
                      messages = [{
                          'role': 'user',
                          'content': [
                              {
                                  'image': file_path
                              },
                              {
                                  'text': prompt
                              },
                          ]
                      }]
                      start_time = time.time()
                      response = MultiModalConversation.call(model='qwen-vl-plus', messages=messages)
                      time_consuming = time.time() - start_time
                      
                      text = response.output.choices[0].message.content[0]["text"]
                      input_tokens = response.usage["input_tokens"]
                      output_tokens = response.usage["output_tokens"]
                      image_tokens = response.usage["image_tokens"]
                      print(f"input_tokens:{input_tokens}")
                      print(f"output_tokens:{output_tokens}")
                      print(f"image_tokens:{image_tokens}")
                      print(f"运行时间:{time_consuming}")
                      return text, input_tokens, output_tokens, image_tokens, time_consuming
                      
                  #=========================================== 调用示例 ============================================
                  # 调用示例
                  dashscope.api_key = "Your-KEY"
                  prompt = '请你判断图中是否包含洗发水的实物图？请你回答“是”或“否”，并解释原因'
                  file_path = "C:\\Users\video\\open_cv_images\\test3\\image42.jpg"
                  text, input_tokens, output_tokens, image_tokens, time_consuming = invokeQween_vl_plus(dashscope.api_key, prompt, file_path)
                  print(text)
                  

                  输出的结果是：

                  input_tokens:1248

                  output_tokens:46

                  image_tokens:1196

                  运行时间:8.08695936203003

                  是。图片中的女子手中拿着一瓶带有蓝色泵头和白色瓶身，上面印有品牌名称"海飞丝"以及产品信息的洗发水瓶子，这是一张该产品的实物展示照片。

                  3.2.2 Moonshot

                  Moonshot 也需要申请 API-KEY

                  API官方说明文档：

                  https://platform.moonshot.cn/docs/api-reference#%E5%9F%BA%E6%9C%AC%E4%BF%A1%E6%81%AF

                  用户中心-API Key管理获取：

                  https://platform.moonshot.cn/console/api-keys

                  对应的代码如下;

                  import requests
                  from pathlib import Path
                  from openai import OpenAI
                  def invokeMoonshot_FileAnalysis(api_key, prompt, file_path):
                      '''
                      Moonshot 文件解析：上传文件 → OCR提取文件信息 → Moonshot 大模型分析 → 结论
                      API官方说明文档：https://platform.moonshot.cn/docs/api-reference#%E5%9F%BA%E6%9C%AC%E4%BF%A1%E6%81%AF
                      @param
                      api_key (str): Moonshot 用户中心-API Key管理获取：https://platform.moonshot.cn/console/api-keys
                      prompt (str): 对文件分析的指令
                      file_path (str)：需要解析的文件路径。示例："./A.png"
                      
                      @return
                      output (str)：模型输出
                      input_tokens (int): 输入Token
                      output_tokens (int): 输出Token
                      time_consuming (int): 耗时
                      '''
                      client = OpenAI(api_key=api_key, base_url="https://api.moonshot.cn/v1")                  # 账号信息 & 文件上传 URL
                      file_object = client.files.create(file=Path(file_path), purpose="file-extract")          # 上传需要解析的文件，得到文件id
                      file_content = client.files.content(file_id=file_object.id).text                         # 获取上传文件被OCR提取的文本信息
                      token_count_url = 'https://api.moonshot.cn/v1/tokenizers/estimate-token-count'           # 计算Token的请求地址 
                      # 拼装模型输入
                      messages=[ 
                              {"role": "system", "content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。",},
                              {"role":"system","content":file_content},
                              {"role": "user", "content":prompt}
                          ]      
                      
                      # 调用大模型API
                      start_time = time.time()
                      completion = client.chat.completions.create(
                          model="moonshot-v1-8k",   # moonshot-v1-8k, moonshot-v1-32k, moonshot-v1-128k
                          messages=messages,
                          temperature=0.01,
                          top_p=0.01,
                          max_tokens=4096,
                          n=1,
                          presence_penalty=0,
                          frequency_penalty=0,
                      )
                      output = completion.choices[0].message.content
                      #print(completion.choices)
                      time_consuming = time.time() - start_time
                      # 计算输入token
                      headers = {
                          "Content-Type": "application/json",
                          "Authorization": f"Bearer {api_key}"
                      }
                      data_input = {
                          "model": "moonshot-v1-8k",
                          "messages":  messages
                      }
                      response_input = requests.post(token_count_url, json=data_input, headers=headers)
                      # 解析JSON响应并获取total_tokens的值
                      input_tokens = response_input.json()['data']['total_tokens']
                      print(f"input_tokens:{input_tokens}")
                      # 计算输出token
                      data_output = {
                         "model": "moonshot-v1-8k",
                          "messages": [
                      {"role": "system","content": "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。"},
                      { "role": "assistant", "content": output}
                                      ]
                      }
                      response_output = requests.post(token_count_url, json=data_output, headers=headers)
                      # 解析JSON响应并获取total_tokens的值
                      output_tokens = response_output.json()['data']['total_tokens']
                      print(f"output_tokens:{output_tokens}")
                      return output,input_tokens,output_tokens,time_consuming
                  #=========================================== 调用示例 ============================================
                  api_key = 'Your-KEY'
                  file_name = 'image42.jpg'
                  prompt =  '请你判断{}的信息中是否包含洗发水？，请你回答“是”或“否”，并解释原因'.format(file_name)
                  file_path = "C:\\Users\\video\\open_cv_images\\test3\\image42.jpg"
                  start_time = time.time()
                  output,input_tokens,output_tokens,time_consuming = invokeMoonshot_FileAnalysis(api_key, prompt, file_path)
                  print(output,input_tokens,output_tokens,time_consuming)
                  

                  输出结果：

                  是。

                  原因：在提供的信息中，“海飞丝”是一个知名的洗发水品牌，因此可以判断信息中包含了洗发水的提及。 155 103 0.939953088760376

                  从两个模型的结果来看，Qwen-vl-plus 直接根据图片做AI问答，而 Moonshot 是将图片信息转为文本信息，然后再做AI问答，上述代码中 Qwen-vl-plus 的参数会比 Moonshot 多一个 image_tokens。

                  总的来说，对于我们的测试数据，两个模型都能给出比较准确的答案。