این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

tfds.features.Video

مشاهده منبع در گیتهاب

FeatureConnector برای فیلم ها، پشتیبانی می کند فریم به صورت جداگانه بر روی دیسک.

به ارث برده از: Sequence

ویدئو: اتصال تصویر می پذیرد به عنوان ورودی یک بعدی 4 tf.uint8 آرایه به نمایندگی از یک ویدیو، دنباله ای از مسیرهای به فریم کد گذاری شده، و یا یک مسیر یا یک جسم فایل که می تواند با ffmpeg هستید: رمزگشایی شده است. توجه داشته باشید که نه همه فرمت های پشتیبانی در FFmpeg به خواندن از لوله های، بنابراین ارائه یک شی فایل ممکن است شکست بخورد. به علاوه، اگر یک مسیر داده است این است که در فایل سیستم محلی نیست، ما برای اولین بار آن را قبل از انتقال آن به FFmpeg به کپی را به یک فایل موقت محلی است.

خروجی:

  • video : tf.Tensor از نوع tf.uint8 و شکل [num_frames، ارتفاع، عرض، کانال، کانال های که در آن باید 1 یا 3

مثال:

  • در جسم DatasetInfo:
 features=features.FeatureDict({
    'video': features.Video(shape=(None, 64, 64, 3)),
})
 
  • در طول نسل، شما می توانید هر یک از استفاده کنید:
 yield {
    'video': np.ones(shape=(128, 64, 64, 3), dtype=np.uint8),
}
 

و یا لیستی از فریم:

 yield {
    'video': ['path/to/frame001.png', 'path/to/frame002.png'],
}
 

یا مسیر به ویدیو:

 yield {
    'video': '/path/to/video.avi',
}
 

و یا شی فایل:

 yield {
    'video': tf.io.gfile.GFile('/complex/path/video.avi'),
}
 

shape تاپل از نوع داده int، شکل ویدیو (num_frames، ارتفاع، عرض، کانال)، که در آن کانال 1 یا 3 است.
encoding_format این ویدیو به عنوان دنباله ای از تصاویر کد گذاری ذخیره می شود. شما می توانید هر فرمت را پشتیبانی می کند پشتیبانی شده توسط image_feature.Feature استفاده کنید.
ffmpeg_extra_args دنباله ای از استدلال بیشتری را به باینری ffmpeg منتقل می شود. به طور خاص، ffmpeg هستید به عنوان نام ffmpeg -i <input_file> <ffmpeg_extra_args> %010d.<encoding_format>

ValueError اگر به شکل نامعتبر است

dtype بازگشت به dtype (یا بینی از dtype) این FeatureConnector.
feature از ویژگی های درونی.
shape بازگشت به شکل (یا بینی شکل) این FeatureConnector.

مواد و روش ها

decode_batch_example

مشاهده منبع

چند رمزگشایی از ویژگی ها در بسته بندی های کوچک tf.Tensor تنها.

این تابع به ویژگی های رمزگشایی پیچیده شده در استفاده tfds.features.Sequence() . به طور پیش فرض، این تابع اعمال decode_example در هر یک از عناصر فردی با استفاده از tf.map_fn . با این حال، برای بهینه سازی، ویژگی های می توانید از این روش برای درخواست یک رمز گشایی دسته ای سفارشی بازنویسی.

استدلال
tfexample_data همان tf.Tensor ورودی به عنوان decode_example ، اما با و بعد اول اضافی برای طول دنباله است.

بازگشت
tensor_data تانسور یا فرهنگ لغت تانسور، خروجی از جسم tf.data.Dataset

decode_example

مشاهده منبع

رمزگشایی نمونه مرتب.

استدلال
serialized_example تو در تو dict از tf.Tensor
decoders بینی تو در تو از Decoder اشیاء که اجازه می دهد برای سفارشی کردن رمزگشایی. ساختار باید ساختار ویژگی بازی، اما کلید ویژگی فقط سفارشی نیاز به وجود داشته باشد. مشاهده راهنمای برای اطلاعات بیشتر.

بازگشت
example تو در تو dict حاوی نمونه های تو در تو رمزگشایی شده است.

decode_ragged_example

مشاهده منبع

رمزگشایی ویژگی های تو در تو از tf.RaggedTensor.

این تابع به ویژگی های رمزگشایی پیچیده شده در تو در تو استفاده tfds.features.Sequence() . به طور پیش فرض، این تابع اعمال decode_batch_example بر ارزش تخت تانسور پاره پاره. برای بهینه سازی، ویژگی های می توانید از این روش برای درخواست یک رمز گشایی دسته ای سفارشی بازنویسی.

استدلال
tfexample_data tf.RaggedTensor ورودی حاوی نمونه کد گذاری تو در تو.

بازگشت
tensor_data رمزگشایی tf.RaggedTensor خروجی و یا فرهنگ لغت تانسور، از جسم tf.data.Dataset

encode_example

مشاهده منبع

تبدیل تصویر داده شده به یک بینی تبدیل به عنوان مثال TF.

get_serialized_info

مشاهده منبع

کلاس پایه برای جزئیات بیشتر.

get_tensor_info

مشاهده منبع

کلاس پایه برای جزئیات بیشتر.

load_metadata

مشاهده منبع

کلاس پایه برای جزئیات بیشتر.

save_metadata

مشاهده منبع

کلاس پایه برای جزئیات بیشتر.

__getitem__

مشاهده منبع

روش آسان برای دسترسی به ویژگی های اساسی است.