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

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。

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。

python 复制代码

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：

python 复制代码

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#基本信息

用户中心-API Key管理获取：

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

对应的代码如下;

python 复制代码

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。