5分钟实现「视频检索」：基于内容理解，无需任何标签

Notebook 教程：text-video retrieval

「视频检索」任务就是分钟输入一段文本，检索出最符合文本描述的实现视频视频。随着各类视频平台的检索基于菠萝app安装网址兴起和火爆，网络上视频的内容数量呈现井喷式增长，「视频检索」成为人们高效查找视频的理解一项新需求。传统的无需视频检索通常要求视频带有额外的文字标签，通过匹配查询语句的任何关键词与视频标签实现检索。这一方案存在一个很大的标签缺陷，由于缺乏对语义的分钟理解，该系统高度依赖关键词和视频标签，实现视频与真正的检索基于内容匹配存在差距。随着深度学习在计算机视觉和自然语言领域上的内容高速发展，「视频文本跨模态检索」能够理解文字和视频的理解内容，从而实现视频与文本之间的无需匹配。相比传统方法，任何菠萝app安装网址基于内容理解的视频检索也更加接近人类的思考逻辑。目前主流的实践方法是将视频和文本编码成特征向量，由于含义相近的向量在空间中的位置也是相近的，我们可以通过计算向量之间的相似度实现文本-视频跨模态检索任务。

视频作为一种非结构化数据，其类型丰富、信息量复杂、处理门槛较高。而视频与文本又各属不同类型的数据，处理这种跨模态的任务具有一定的难度。在本文中，借助专门处理非结构化数据的工具，如向量数据库 Milvus 和提供向量数据 ETL 框架的 Towhee ，我们可以轻松地利用针对「视频-文本」跨模态任务的深度学习网络（例如 CLIP4Clip ）搭建一个“理解”内容的视频检索系统！

「视频检索」服务 demo

在这篇文章中，我们将会使用 Milvus 和 Towhee 搭建一个基于内容理解的「视频检索」服务！

安装相关工具包

在开始之前，我们需要安装相关的工具包，我们用到了以下工具：

Towhee：用于构建模型推理流水线的框架，对于新手非常友好。Milvus：用于存储向量并创建索引的数据库，简单好上手。Gradio：轻量级的机器学习 Demo 构建工具。Pillow：图像处理常用的 Python 库。python -m pip install -q pymilvus towhee towhee.models pillow ipython gradio

数据集准备

我们在这里选用了 MSR-VTT (Microsoft Research Video to Text) 数据集的部分数据（1000个）。MSR-VTT 是一个公开的视频描述数据集，由 10000 个视频片段与对应的文本描述组成。 你可以选择从 google drive 或者通过以下代码下载和解压数据，解压后的数据包括了以下几个部分：

test_1k_compress: MSR-VTT-1kA 数据集中 1000 个压缩的测试视频。MSRVTT_JSFUSION_test.csv: 一个 csv 文件，其中重要信息包括每个视频的id（video_id）、视频路径（video_path）、文字描述（sentence）。curl -L https://github.com/towhee-io/examples/releases/download/data/text_video_search.zip -O unzip -q -o text_video_search.zip

你可以通过改变以下代码中的sample_num选择使用更少的测试数据。我们简单提取和查看一下 csv 文件中包含的信息：

import pandas as pd import os raw_video_path = ./test_1k_compress # 1k test video path. test_csv_path = ./MSRVTT_JSFUSION_test.csv # 1k video caption csv. test_sample_csv_path = ./MSRVTT_JSFUSION_test_sample.csv sample_num = 1000 # you can change this sample_num to be smaller, so that this notebook will be faster. test_df = pd.read_csv(test_csv_path) print(length of all test set is { }.format(len(test_df))) sample_df = test_df.sample(sample_num, random_state=42) sample_df[video_path] = sample_df.apply(lambda x:os.path.join(raw_video_path, x[video_id]) + .mp4, axis=1) sample_df.to_csv(test_sample_csv_path) print(random sample { } examples.format(sample_num)) df = pd.read_csv(test_sample_csv_path) df[[video_id, video_path, sentence]].head()

与「图像描述」、「以文搜图」等跨模态任务的原理类似，基于内容理解的「视频检索」通过选取视频剪辑中的关键帧，将其转换成能表达该视频的特征向量。为了节省资源和方便观察，我们先可以选择将视频转换为 GIF 动图：

from IPython import display from pathlib import Path import towhee from PIL import Image def display_gif(video_path_list, text_list): html = for video_path, text in zip(video_path_list, text_list): html_line = <img src="{ }"> { } <br/>.format(video_path, text) html += html_line return display.HTML(html) def convert_video2gif(video_path, output_gif_path, num_samples=16): frames = ( towhee.glob(video_path) .video_decode.ffmpeg(sample_type=uniform_temporal_subsample, args={ num_samples: num_samples}) .to_list()[0] ) imgs = [Image.fromarray(frame) for frame in frames] imgs[0].save(fp=output_gif_path, format=GIF, append_images=imgs[1:], save_all=True, loop=0) def display_gifs_from_video(video_path_list, text_list, tmpdirname = ./tmp_gifs): Path(tmpdirname).mkdir(exist_ok=True) gif_path_list = [] for video_path in video_path_list: video_name = str(Path(video_path).name).split(.)[0] gif_path = Path(tmpdirname) / (video_name + .gif) convert_video2gif(video_path, gif_path) gif_path_list.append(gif_path) return display_gif(gif_path_list, text_list)

让我们看几个数据集中的视频-文本对：

# sample_show_df = sample_df.sample(5, random_state=42) sample_show_df = sample_df[:5] video_path_list = sample_show_df[video_path].to_list() text_list = sample_show_df[sentence].to_list() tmpdirname = ./tmp_gifs display_gifs_from_video(video_path_list, text_list, tmpdirname=tmpdirname) a girl wearing red top and black trouser is putting a sweater on a dog young people sit around the edges of a room clapping and raising their arms while others dance in the center during a party a person is using a phone

创建 Milvus 集合

在创建 Milvus 之前，请确保你已经安装并启动了 Milvus 。Milvus 是处理非结构化数据的好手，它能在后续的相似度检索和近邻搜索中发挥至关重要的作用。我们需要利用 Milvus 服务中创建一个集合（Collection）用于存储和检索向量，该集合包含两列：id 和 embedding，其中id是集合的主键。另外，为了加速检索，我们可以基于embedding创建 IVF_FLAT 索引（索引的参数 ``"nlist":2048`）。同时，我们选择L2 欧式距离衡量向量之间的相似度（距离越小表示越相近）：

from pymilvus import connections, FieldSchema, CollectionSchema, DataType, Collection, utility connections.connect(host=127.0.0.1, port=19530) def create_milvus_collection(collection_name, dim): if utility.has_collection(collection_name): utility.drop_collection(collection_name) fields = [ FieldSchema(name=id, dtype=DataType.INT64, descrition=ids, is_primary=True, auto_id=False), FieldSchema(name=embedding, dtype=DataType.FLOAT_VECTOR, descrition=embedding vectors, dim=dim) ] schema = CollectionSchema(fields=fields, description=video retrieval) collection = Collection(name=collection_name, schema=schema) # create IVF_FLAT index for collection. index_params = { metric_type:L2, #IP index_type:"IVF_FLAT", params:{ "nlist":2048} } collection.create_index(field_name="embedding", index_params=index_params) return collection collection = create_milvus_collection(text_video_retrieval, 512)

提取特征，导入向量

本文教学的「视频检索」系统主要包含数据插入和检索两个部分。首先，我们将视频库里的所有视频转换成一个向量并存入数据库（Milvus 集合）中。当数据库准备完成后，该系统就可以实现检索服务。检索过程会将查询语句转换成一个向量，然后在数据库中找到与其最相近的视频向量，最终通过视频向量的id返回其对应的实际视频。

为了将视频与文本转换成向量，我们需要一个视频-文本跨模态的神经网络模型用于提取特征。Towhee 提供了一系列简单又好用的 API ，以供我们可以更便捷地操作数据处理的算子和流水线。这里我们选用了towhee clip4clip算子将视频库里的所有视频转换成向量，并插入事先准备好的 Milvus 集合中。 该算子不仅提供了预训练的 CLIP4Clip 提取特征，还包含了后处理工作（比如池化、维度处理、转数据格式），能够通过几行代码轻松提取向量。

为了加速算子与预训练模型的下载，在运行 clip4clip 算子之前，请确保你已经安装了 git 和 git-lfs（如果已安装请跳过）：

sudo apt-get install git & git-lfs git lfs install import os import towhee device = cuda:0 # device = cpu # For the first time you run this line, # it will take some time # because towhee will download operator with weights on backend. dc = ( towhee.read_csv(test_sample_csv_path).unstream() .runas_op[video_id, id](func=lambda x: int(x[-4:])) .video_decode.ffmpeg[video_path, frames](sample_type=uniform_temporal_subsample, args={ num_samples: 12}) \ .runas_op[frames, frames](func=lambda x: [y for y in x]) \ .video_text_embedding.clip4clip[frames, vec](model_name=clip_vit_b32, modality=video, device=device) \ .to_milvus[id, vec](collection=collection, batch=30) )

Wall time: 1min 19s 检查数据库集合可以看到共有 1000 条向量，通过 Towhee 提供的接口还可以查看各个数据之间的对应关系：

print(Total number of inserted data is { }..format(collection.num_entities)) dc.select[video_id, id, vec]().show()

Total number of inserted data is 1000.

我们在这里对上面的代码做一些接口说明：

towhee.read_csv(test_sample_csv_path)：读取 csv 文件中的数据。.runas_op[video_id, id](func=lambda x: int(x[-4:]))：取每一行数据的video_id 列最后 4 个数据作为 id 列的数据，并转换其数据类型为 int。.video_decode.ffmpeg and runas_op：统一对视频进行二次采样，然后得到一串视频图像列表，作为 clip4clip 模型的输入。.video_text_embedding.clip4clip[frames, vec](model_name=clip_vit_b32, modality=video)：从视频中采样的图像帧中提取 Embedding 特征向量，然后在时间维度上平均池化它们。.to_milvus[id, vec](collection=collection, batch=30)：将向量 30 个一批插入 Milvus 集合中。

系统评估

我们已经成功实现了「视频检索」服务的核心功能，接下来可以根据不同指标评估检索引擎。在本节中，我们将使用 recall@topk 评估我们的「视频文本检索」服务的性能：

Recall@topk 是在 top k 个结果的“查全率”。比如，共有5个目标结果，Recall@top10为40%则表示前十个结果中找到了2（5*40%）个目标结果。本案例中每次只有一个目标结果，因此 Recall@topk同时也意味着准确率（Accuracy）。

dc = ( towhee.read_csv(test_sample_csv_path).unstream() .video_text_embedding.clip4clip[sentence,text_vec](model_name=clip_vit_b32, modality=text, device=device) .milvus_search[text_vec, top10_raw_res](collection=collection, limit=10) .runas_op[video_id, ground_truth](func=lambda x : [int(x[-4:])]) .runas_op[top10_raw_res, top1](func=lambda res: [x.id for i, x in enumerate(res) if i < 1]) .runas_op[top10_raw_res, top5](func=lambda res: [x.id for i, x in enumerate(res) if i < 5]) .runas_op[top10_raw_res, top10](func=lambda res: [x.id for i, x in enumerate(res) if i < 10]) )

我们分别返回 top 1 个、top 5 个和 top 10 个预测结果，并查看分别对应的评估结果：

dc.select[video_id, sentence, ground_truth, top10_raw_res, top1, top5, top10]().show() # dc.show() benchmark = ( dc.with_metrics([mean_hit_ratio,]) \ .evaluate[ground_truth, top1](name=recall_at_1) \ .evaluate[ground_truth, top5](name=recall_at_5) \ .evaluate[ground_truth, top10](name=recall_at_10) \ .report() )

这些评估结果与 CLIP4Clip 论文原文中的评估分数十分接近，我们可以相信这次搭建的「视频检索」服务性能达标了！

CLIP4Clip 原文中的评估分数

在线 Demo

为了更方便地使用这个「视频检索」服务，我们可以借助 Gradio 来部署一个可交互的在线可玩 Demo。

首先，我们使用 Towhee 将查询过程包装成一个函数：

milvus_search_function = ( api.video_text_embedding.clip4clip(model_name=clip_vit_b32, modality=text, device=device) .milvus_search(collection=collection, limit=show_num) .runas_op(func=lambda res: [os.path.join(raw_video_path, video + str(x.id) + .mp4) for x in res]) .as_function() )

然后，我们基于 Gradio 创建一个 demo 程序：

import gradio interface = gradio.Interface(milvus_search_function, inputs=[gradio.Textbox()], outputs=[gradio.Video(format=mp4) for _ in range(show_num)] ) interface.launch(inline=True, share=True)

Gradio 启动服务后，会提供了 URL 供在线访问：

点击这个 URL 链接，就会跳转到「视频检索」服务的交互界面。输入你想要搜索的文本描述，即找到视频库中最符合该描述的视频。例如，我们输入 "a man is cooking" （一个男人正在做饭） 即可得到：

总结

在今天的这篇文章中，我们构建了一个简单的基于内容理解的「视频检索」系统。这个系统与之前的「以文搜图」类似，输入一段文字便可找到最符合描述的视频。

面对「视频-文本」检索这样的跨模态任务，我们使用提供向量数据 ETL 框架的 Towhee 获取视频和文本的 Embedding 向量，然后在向量数据库 Milvus 中创建了向量索引，实现视频到文本之间的对应，最后通过相似度检索实现了从文本到视频的跨模态检索任务。

通过对模型进行评估，我们的模型得分与 CLIP4Clip 原论文中的分数十分接近，可以说， Milvus 和 Towhee 可以让我们轻松地搭建了一个性能达标的「视频文本检索」服务！

最后，我们利用 Gradio 将我们的模型包装成一个可以交互的 demo ，方便我们在应用层面上操作跨模态检索工作。

之后的「5分钟」系列还会介绍更多丰富精彩的用 Milvus 和 Towhee 处理非结构化数据的 AI 业务系统搭建流程哦！请持续关注我们，感兴趣的朋友可以跟着一起动手试试！