Как интерпретировать видео с помощью GPT-4o
Как интерпретировать видео с помощью GPT-4o

 GPT-4V, выпущенный OpenAI в прошлом году, уже поддерживает мультимодальное распознавание, но он ограничен вводом изображений и не поддерживает видео. Напротив, Gemini от Google уже поддерживает распознавание видео. Недавно в нашей компании возникла необходимость распознавать видео в бизнес-сценариях, и мы приобрели только модель GPT-4o. Возникает вопрос: как использовать GPT-4o для завершения обработки видео?

 Изучив несколько уроков, я нашел возможное решение этой проблемы. Этот метод состоит из двух этапов: сначала видео разбивается на серию изображений ключевых кадров, затем эти изображения вводятся в GPT-4o для анализа для завершения интерпретации всего видео; Реализовать очень просто. Вот специально нашел видео в кошки-мышки, чтобы воспроизвести эту реализацию. Конкретный код такой:

Язык кода:javascript
копировать
from IPython.display import display, Image

# Здесь нам нужно использовать cv2 и base64. 
import cv2 
import base64
import time
from openai import OpenAI

client = OpenAI()

  Следующий шаг – извлечение ключевых кадров видео. Чтобы уменьшить потребление токенов, я использовал два метода уменьшения количества информации:

  1. Отбросьте большую часть изображения и оставьте только один кадр в секунду;
  2. Уменьшите разрешение изображения до 360p, чтобы уменьшить размер изображения.

Вот дополнительное объяснение того, почему необходимо конвертировать данные в кодировку Base64. Интерфейс OpenAI поддерживает два способа передачи изображений: один — напрямую передавать общедоступный URL-адрес изображения, но у нас его нет, другой — напрямую кодировать изображение в base64 и затем передавать его, поэтому мы можем выбрать только последний вариант;

Язык кода:javascript
копировать
video = cv2.VideoCapture("data/tom_and_jerry.mp4")
base64Frames = []

fps = video.get(cv2.CAP_PROP_FPS)

frame_jump = int(fps)
frame_count = 0

# Определить целевой размер
target_width = 640
target_height = 320

while video.isOpened():
    success, frame = video.read()
    if not success:
        break
    # Сохраняйте один кадр в секунду
    if frame_count % frame_jump == 0:
        resized_frame = cv2.resize(frame, (target_width, target_height))
        _, buffer = cv2.imencode(".jpg", resized_frame)
        base64Frames.append(base64.b64encode(buffer).decode("utf-8"))
    frame_count += 1
video.release()
print(len(base64Frames), "frames read.")

 Следующий шаг — самый важный: вызов GPT-4o для анализа изображения. Эта функция будет обрабатывать видеокадры, которые мы извлекли ранее, и анализировать эти изображения с использованием модели GPT-4o. Он сгенерирует подробное описание видеоконтента, чтобы помочь нам понять сюжет всего видео.

Язык кода:javascript
копировать
def vision(frames):
    PROMPT_MESSAGES = [
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": 
    f"""
    Эти изображения взяты из видео по порядку. Временной интервал перехвата составляет 1 с. Всего изображений: {len(frames)}. Основываясь на этой информации о изображениях, пожалуйста, подробно опишите сюжет видео на китайском языке.
    """
                },
                *[{
                    "type": "image_url",
                    "image_url": {
                        "url": 'data:image/jpeg;base64,' + frame,
                    }
                } for frame in frames]
            ],
        },
    ]

    params = {
        "model": "gpt-4o",
        "messages": PROMPT_MESSAGES,
        "max_tokens": 2000,
        "temperature": 0.7
    }
    result = client.chat.completions.create(**params)
    return result.choices[0].message.content

Наконец, мы вызываем ранее определенную функцию зрения для обработки извлеченных видеокадров и получения соответствующих результатов анализа.

Язык кода:javascript
копировать
result = vision(base64Frames)
print(result)

 Получены следующие результаты, описание сюжета достаточно точное. Этот экспериментальный результат доказывает, что наш метод осуществим. Разбив видео на ключевые кадры и проанализировав его с помощью GPT-4o, нам удалось получить точное описание всего видеоконтента. Этот подход не только решает проблему нашей неспособности напрямую обрабатывать видео, но и демонстрирует мощные возможности GPT-4o в мультимодальных задачах.

Язык кода:javascript
копировать
Это видео похоже на классический мультфильм про Тома и Джерри.

Спектакль начинается с того, что женщина на высоких каблуках подметает пол метлой. Затем рядом с метлой появляется белая мышь (возможно, друг Джерри). Затем появился Кот Том и попытался поймать белую мышь метлой, но белая мышь ловко уклонилась от нее.

Затем Том преследует и ловит мышь, но Джерри прибывает вовремя, чтобы противостоять Тому. Том пытается открыть дверь, но оказывается за ней. Женщина бьет Тома метлой по голове и обвиняет его в том, что он все еще ищет неприятности.

Том указал пальцем на морскую свинку, пытаясь оправдать свои действия, но женщина явно на это не купилась. Тома выгнали из дома и облили краской. Мышь нашла бутылку крема для обуви и, похоже, что-то задумала.

Наконец, Том пытается вернуться в дом, переодевшись белым котом и притворившись «танцующим котом». Женщина, казалось, была довольна его выходкой и похвалила его, но мышь разглядела маскировку Тома. Видео заканчивается забавным взаимодействием Тома и белой мыши, а на последнем экране появляется слово «Конец».

В целом, в этом фильме показаны классические погони и юмористические сцены Тома и Джерри, полные веселья и радости.

ˆХотя GPT-4o официально не обеспечивает функцию анализа видео,Мы все еще можем добиться понимания видео с помощью этого умного обходного пути. Лично мне такой подход весьма интересен. Полный код доступен на GitHub.,Ссылкаhttps://github.com/xindoo/openai-examples/blob/main/vision_for_video.ipynb

boy illustration
Неразрушающее увеличение изображений одним щелчком мыши, чтобы сделать их более четкими артефактами искусственного интеллекта, включая руководства по установке и использованию.
boy illustration
Копикодер: этот инструмент отлично работает с Cursor, Bolt и V0! Предоставьте более качественные подсказки для разработки интерфейса (создание навигационного веб-сайта с использованием искусственного интеллекта).
boy illustration
Новый бесплатный RooCline превосходит Cline v3.1? ! Быстрее, умнее и лучше вилка Cline! (Независимое программирование AI, порог 0)
boy illustration
Разработав более 10 проектов с помощью Cursor, я собрал 10 примеров и 60 подсказок.
boy illustration
Я потратил 72 часа на изучение курсорных агентов, и вот неоспоримые факты, которыми я должен поделиться!
boy illustration
Идеальная интеграция Cursor и DeepSeek API
boy illustration
DeepSeek V3 снижает затраты на обучение больших моделей
boy illustration
Артефакт, увеличивающий количество очков: на основе улучшения характеристик препятствия малым целям Yolov8 (SEAM, MultiSEAM).
boy illustration
DeepSeek V3 раскручивался уже три дня. Сегодня я попробовал самопровозглашенную модель «ChatGPT».
boy illustration
Open Devin — инженер-программист искусственного интеллекта с открытым исходным кодом, который меньше программирует и больше создает.
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | SPPF сочетается с воспринимаемой большой сверткой ядра UniRepLK, а свертка с большим ядром + без расширения улучшает восприимчивое поле
boy illustration
Популярное и подробное объяснение DeepSeek-V3: от его появления до преимуществ и сравнения с GPT-4o.
boy illustration
9 основных словесных инструкций по доработке академических работ с помощью ChatGPT, эффективных и практичных, которые стоит собрать
boy illustration
Вызовите deepseek в vscode для реализации программирования с помощью искусственного интеллекта.
boy illustration
Познакомьтесь с принципами сверточных нейронных сетей (CNN) в одной статье (суперподробно)
boy illustration
50,3 тыс. звезд! Immich: автономное решение для резервного копирования фотографий и видео, которое экономит деньги и избавляет от беспокойства.
boy illustration
Cloud Native|Практика: установка Dashbaord для K8s, графика неплохая
boy illustration
Краткий обзор статьи — использование синтетических данных при обучении больших моделей и оптимизации производительности
boy illustration
MiniPerplx: новая поисковая система искусственного интеллекта с открытым исходным кодом, спонсируемая xAI и Vercel.
boy illustration
Конструкция сервиса Synology Drive сочетает проникновение в интрасеть и синхронизацию папок заметок Obsidian в облаке.
boy illustration
Центр конфигурации————Накос
boy illustration
Начинаем с нуля при разработке в облаке Copilot: начать разработку с минимальным использованием кода стало проще
boy illustration
[Серия Docker] Docker создает мультиплатформенные образы: практика архитектуры Arm64
boy illustration
Обновление новых возможностей coze | Я использовал coze для создания апплета помощника по исправлению домашних заданий по математике
boy illustration
Советы по развертыванию Nginx: практическое создание статических веб-сайтов на облачных серверах
boy illustration
Feiniu fnos использует Docker для развертывания личного блокнота Notepad
boy illustration
Сверточная нейронная сеть VGG реализует классификацию изображений Cifar10 — практический опыт Pytorch
boy illustration
Начало работы с EdgeonePages — новым недорогим решением для хостинга веб-сайтов
boy illustration
[Зона легкого облачного игрового сервера] Управление игровыми архивами
boy illustration
Развертывание SpringCloud-проекта на базе Docker и Docker-Compose