光流：使用RAFT模型预测运动

注意

尝试在Colab上运行 或转到末尾以下载完整的示例代码。

光流是预测两幅图像之间运动的任务，通常是视频中的两个连续帧。光流模型将两幅图像作为输入，并预测一个流：该流表示第一幅图像中每个像素的位移，并将其映射到第二幅图像中的相应像素。流是（2，H，W）维的张量，其中第一个轴对应于预测的水平位移和垂直位移。

以下示例说明了如何使用我们的RAFT模型实现来预测流。我们还将看到如何将预测的流转换为RGB图像以进行可视化。

import numpy as np
import torch
import matplotlib.pyplot as plt
import torchvision.transforms.functional as F


plt.rcParams["savefig.bbox"] = "tight"


def plot(imgs, **imshow_kwargs):
    if not isinstance(imgs[0], list):
        # Make a 2d grid even if there's just 1 row
        imgs = [imgs]

    num_rows = len(imgs)
    num_cols = len(imgs[0])
    _, axs = plt.subplots(nrows=num_rows, ncols=num_cols, squeeze=False)
    for row_idx, row in enumerate(imgs):
        for col_idx, img in enumerate(row):
            ax = axs[row_idx, col_idx]
            img = F.to_pil_image(img.to("cpu"))
            ax.imshow(np.asarray(img), **imshow_kwargs)
            ax.set(xticklabels=[], yticklabels=[], xticks=[], yticks=[])

    plt.tight_layout()

使用Torchvision读取视频

我们将首先使用read_video()读取视频。 或者，可以使用新的VideoReader API（如果 torchvision是从源代码构建的）。 我们将在这里使用的视频是免费使用的，来自pexels.com， 版权归Pavel Danilyuk所有。

import tempfile
from pathlib import Path
from urllib.request import urlretrieve


video_url = "https://download.pytorch.org/tutorial/pexelscom_pavel_danilyuk_basketball_hd.mp4"
video_path = Path(tempfile.mkdtemp()) / "basketball.mp4"
_ = urlretrieve(video_url, video_path)

read_video() 返回视频帧、音频帧和与视频相关的元数据。在我们的情况下，我们只需要视频帧。

这里我们将在两对预选的帧之间进行2次预测，即帧（100, 101）和（150, 151）。每对帧对应一个模型输入。

from torchvision.io import read_video
frames, _, _ = read_video(str(video_path), output_format="TCHW")

img1_batch = torch.stack([frames[100], frames[150]])
img2_batch = torch.stack([frames[101], frames[151]])

plot(img1_batch)

/pytorch/vision/torchvision/io/video.py:169: UserWarning: The pts_unit 'pts' gives wrong results. Please use pts_unit 'sec'.
  warnings.warn("The pts_unit 'pts' gives wrong results. Please use pts_unit 'sec'.")

RAFT模型接受RGB图像。我们首先从read_video()获取帧，并调整它们的大小以确保它们的尺寸能被8整除。请注意，我们明确使用antialias=False，因为这些模型是这样训练的。然后，我们使用权重中捆绑的变换来预处理输入，并将其值重新缩放到所需的[-1, 1]区间。

from torchvision.models.optical_flow import Raft_Large_Weights

weights = Raft_Large_Weights.DEFAULT
transforms = weights.transforms()


def preprocess(img1_batch, img2_batch):
    img1_batch = F.resize(img1_batch, size=[520, 960], antialias=False)
    img2_batch = F.resize(img2_batch, size=[520, 960], antialias=False)
    return transforms(img1_batch, img2_batch)


img1_batch, img2_batch = preprocess(img1_batch, img2_batch)

print(f"shape = {img1_batch.shape}, dtype = {img1_batch.dtype}")

shape = torch.Size([2, 3, 520, 960]), dtype = torch.float32

使用RAFT估计光流

我们将使用来自raft_large()的RAFT实现，它遵循与原始论文中描述的相同架构。我们还提供了raft_small()模型构建器，它更小且运行速度更快，但牺牲了一些准确性。

from torchvision.models.optical_flow import raft_large

# If you can, run this example on a GPU, it will be a lot faster.
device = "cuda" if torch.cuda.is_available() else "cpu"

model = raft_large(weights=Raft_Large_Weights.DEFAULT, progress=False).to(device)
model = model.eval()

list_of_flows = model(img1_batch.to(device), img2_batch.to(device))
print(f"type = {type(list_of_flows)}")
print(f"length = {len(list_of_flows)} = number of iterations of the model")

Downloading: "https://download.pytorch.org/models/raft_large_C_T_SKHT_V2-ff5fadd5.pth" to /root/.cache/torch/hub/checkpoints/raft_large_C_T_SKHT_V2-ff5fadd5.pth
type = <class 'list'>
length = 12 = number of iterations of the model

RAFT模型输出的预测流列表，其中每个条目是一个(N, 2, H, W)批次的预测流，对应于模型中的给定“迭代”。有关模型迭代性质的更多详细信息，请参阅原始论文。在这里，我们只对最终的预测流感兴趣（它们是最准确的），因此我们将只检索列表中的最后一项。

如上所述，流是一个维度为 (2, H, W)（或对于批量流为 (N, 2, H, W)）的张量，其中每个条目对应于从第一张图像到第二张图像的每个像素的水平和垂直位移。请注意，预测的流是以“像素”为单位的，它们没有相对于图像尺寸进行归一化。

predicted_flows = list_of_flows[-1]
print(f"dtype = {predicted_flows.dtype}")
print(f"shape = {predicted_flows.shape} = (N, 2, H, W)")
print(f"min = {predicted_flows.min()}, max = {predicted_flows.max()}")

dtype = torch.float32
shape = torch.Size([2, 2, 520, 960]) = (N, 2, H, W)
min = -3.8997151851654053, max = 6.400382995605469

可视化预测流量

Torchvision 提供了 flow_to_image() 工具来将光流转换为 RGB 图像。它还支持批量处理光流。光流中的每个“方向”将被映射到给定的 RGB 颜色。在下面的图像中，模型假设具有相似颜色的像素在相似的方向上移动。模型能够正确预测球和球员的运动。特别要注意的是，第一张图像中球的预测方向（向左）与第二张图像中球的预测方向（向上）不同。

from torchvision.utils import flow_to_image

flow_imgs = flow_to_image(predicted_flows)

# The images have been mapped into [-1, 1] but for plotting we want them in [0, 1]
img1_batch = [(img1 + 1) / 2 for img1 in img1_batch]

grid = [[img1, flow_img] for (img1, flow_img) in zip(img1_batch, flow_imgs)]
plot(grid)

额外内容：创建预测流量的GIF

在上面的例子中，我们只展示了两对帧的预测流。应用光流模型的一个有趣方式是在整个视频上运行模型，并从所有预测的流中创建一个新视频。下面是一个可以帮助你开始的代码片段。我们注释掉了代码，因为这个例子是在没有GPU的机器上渲染的，运行它会花费太长时间。

# from torchvision.io import write_jpeg
# for i, (img1, img2) in enumerate(zip(frames, frames[1:])):
#     # Note: it would be faster to predict batches of flows instead of individual flows
#     img1, img2 = preprocess(img1, img2)

#     list_of_flows = model(img1.to(device), img2.to(device))
#     predicted_flow = list_of_flows[-1][0]
#     flow_img = flow_to_image(predicted_flow).to("cpu")
#     output_folder = "/tmp/"  # Update this to the folder of your choice
#     write_jpeg(flow_img, output_folder + f"predicted_flow_{i}.jpg")

一旦保存了.jpg格式的流动图像，你可以使用ffmpeg将它们转换为视频或GIF，例如：

ffmpeg -f image2 -framerate 30 -i predicted_flow_%d.jpg -loop -1 flow.gif