【亲测免费】 Decord 开源项目教程

1、项目介绍

Decord 是一个高效的视频加载器，专为深度学习设计，具有智能的随机播放功能，使其非常易于使用。Decord 旨在处理深度学习中常见的随机访问模式，提供流畅的视频加载体验，类似于随机图像加载器。此外，Decord 还能够解码视频和音频文件中的音频，提供视频和音频同步解码的一站式解决方案。

2、项目快速启动

安装

通过 pip 安装

pip install decord

从源码安装

Linux

1. 安装系统依赖包：

sudo apt-get update
sudo apt-get install -y build-essential python3-dev python3-setuptools make cmake ffmpeg libavcodec-dev libavfilter-dev libavformat-dev libavutil-dev

2. 克隆仓库并编译：

git clone --recursive https://github.com/dmlc/decord
cd decord
mkdir build && cd build
cmake -DUSE_CUDA=0 -DCMAKE_BUILD_TYPE=Release
make

3. 安装 Python 绑定：

cd ../python
python3 setup.py install --user

macOS

1. 安装构建工具：

xcode-select --install
brew install cmake ffmpeg

2. 克隆仓库并编译：

git clone --recursive https://github.com/dmlc/decord
cd decord
mkdir build && cd build
cmake -DCMAKE_BUILD_TYPE=Release
make

3. 安装 Python 绑定：

cd ../python
python3 setup.py install --user

Windows

1. 安装依赖：

choco install git cmake ffmpeg python

2. 克隆仓库并编译：

git clone --recursive https://github.com/dmlc/decord
cd decord
mkdir build && cd build
cmake -DCMAKE_CXX_FLAGS="/DDECORD_EXPORTS" -DCMAKE_CONFIGURATION_TYPES="Release" -G "Visual Studio 15 2017 Win64"

3. 安装 Python 绑定：

cd ../python
python3 setup.py install --user

使用示例

使用 VideoReader 读取视频帧

from decord import VideoReader
from decord import cpu

vr = VideoReader('examples/flipping_a_pancake.mkv', ctx=cpu(0))
print('视频帧数:', len(vr))

for i in range(len(vr)):
    frame = vr[i]
    print(frame.shape)

frames = vr.get_batch([1, 3, 5, 7, 9])
print(frames.shape)

使用 VideoLoader 加载视频文件

from decord import VideoLoader
from decord import cpu

vl = VideoLoader(['1.mp4', '2.avi', '3.mpeg'], ctx=[cpu(0)], shape=(2, 320, 240, 3), interval=1, skip=5, shuffle=1)
print('总批次:', len(vl))

for batch in vl:
    print(batch[0].shape)

3、应用案例和最佳实践

视频分类

Decord 可以用于视频分类任务中，高效地加载和处理视频数据。通过 VideoLoader 的智能随机播放功能，可以大大提高训练效率。

视频检索

在视频检索系统中，Decord 可以用于快速加载和处理视频帧，提取关键帧进行特征提取和匹配。

视频编辑

Decord 可以用于视频编辑软件中，提供高效的视频帧读取和处理功能，支持实时预览和编辑。

4、典型生态项目

MXNet

Decord 可以与 MXNet 深度学习框架结合使用，提供高效的视频数据加载和处理功能，适用于视频分类、检测等任务。

PyTorch

Decord 也可以与 PyTorch 结合使用，提供高效的视频数据加载和处理功能，适用于各种视频相关的深度学习任务。

TensorFlow

Decord 可以与 TensorFlow 结合使用，提供高效的视频数据加载和处理功能，适用于视频分类、生成等任务。