至2020年3月，我国短视频用户规模为7.73亿，占网民整体的85.6%，每天有大量 UGC 短视频被生产、分发和消费。如果你是一名短视频用户一定会发现，这些 App 总是特别懂你的心思，比如一些美食短视频就总能在合适的时间、推荐合适的菜谱，让小伙伴们不必为晚餐吃什么而发愁。让你不仅暗自感叹，它为什么如此懂自己？
之所以这些短视频 App 可以如此懂自己，得益于人工智能的视频分类技术。高效的视频分类技术让信息的分发更快地触及目标人群，让 App 变得更有温度。
互联网视频分类任务的目标是理解视频的语义，并给视频打上标签，标签包括不限于美食、旅游、影视、游戏等等。标签越精细、在视频分发和推荐时，准确率越高。
熟悉深度学习的同学们都知道，数据集对于算法的研究起着非常重要的作用。对于视频分类任务而言，网络上虽然有大量用户上传的视频数据，但它们大多缺少类别标签，无法直接用于模型训练。在学术界，Kinetics 系列是最热门的视频分类数据集，但其数据量（以Kinetics-400为例，包含23万个视频）与当前国内主流APP的数据量（千万/亿/十亿量级）相比较，也是云泥之别，且视频内容与互联网短视频也存在较大差异。
此外，视频中包含成百上千帧图像，处理这些帧图像需要大量的计算。基于 TSN、TSM、SlowFast 视频分类模型，使用 Kinetics-400 数据，模型训练大概需要1周才能达到70%~80%的Top-1精度，面对上千万的数据量，显然学术界模型是无法实现产业应用的。
飞桨大规模视频分类模型 VideoTag 基于百度短视频业务千万级数据，在训练速度上进行了全面升级；支持3000个源于产业实践的实用标签；引入 ActivityNet 冠军模型 Attention Cluster 等，在测试集上达到90%的精度；具备良好的泛化能力，非常适用于国内大规模（千万/亿/十亿级别）短视频分类场景的应用。
当前飞桨 VideoTag 模型全面开源开放，欢迎感兴趣的企业和开发者试用，
如果您想使用 PaddleHub 快速实现模型预测（VideoTag 预训练模型已经集成到PaddleHub中），Gitee地址：https://gitee.com/PaddlePaddle/PaddleHub/tree/release/v1.7/hub_module/modules/video/classification/videotag_tsn_lstm
如果您想 Fine-tune 或了解更多的 VideoTag 模型实现细节，可以下载模型完整代码，Gitee地址：https://gitee.com/PaddlePaddle/models/tree/develop/PaddleCV/video/application/video_tag
除此之外，飞桨还为开发者和各类企业提供了更多人工智能的产业实践，填写下方的表单，即可详细了解您企业所在的行业如何使用飞桨让业务更上一层楼：https://jinshuju.net/f/zL637q
考虑到国内主流APP视频数据量巨大，为了提升模型训练速度，VideoTag采用两阶段建模方式，即图像建模和序列学习。第一阶段，使用少量视频样本（十万级别）训练大规模视频特征提取模型；第二阶段，使用千万级数据进行序列学习，最终实现在超大规模（千万/亿/十亿级别）短视频上产业应用，其原理示意如下图所示。
之所以这些短视频 App 可以如此懂自己，得益于人工智能的视频分类技术。高效的视频分类技术让信息的分发更快地触及目标人群，让 App 变得更有温度。
互联网视频分类任务的目标是理解视频的语义，并给视频打上标签，标签包括不限于美食、旅游、影视、游戏等等。标签越精细、在视频分发和推荐时，准确率越高。
熟悉深度学习的同学们都知道，数据集对于算法的研究起着非常重要的作用。对于视频分类任务而言，网络上虽然有大量用户上传的视频数据，但它们大多缺少类别标签，无法直接用于模型训练。在学术界，Kinetics 系列是最热门的视频分类数据集，但其数据量（以Kinetics-400为例，包含23万个视频）与当前国内主流APP的数据量（千万/亿/十亿量级）相比较，也是云泥之别，且视频内容与互联网短视频也存在较大差异。
此外，视频中包含成百上千帧图像，处理这些帧图像需要大量的计算。基于 TSN、TSM、SlowFast 视频分类模型，使用 Kinetics-400 数据，模型训练大概需要1周才能达到70%~80%的Top-1精度，面对上千万的数据量，显然学术界模型是无法实现产业应用的。
飞桨大规模视频分类模型 VideoTag 基于百度短视频业务千万级数据，在训练速度上进行了全面升级；支持3000个源于产业实践的实用标签；引入 ActivityNet 冠军模型 Attention Cluster 等，在测试集上达到90%的精度；具备良好的泛化能力，非常适用于国内大规模（千万/亿/十亿级别）短视频分类场景的应用。
当前飞桨 VideoTag 模型全面开源开放，欢迎感兴趣的企业和开发者试用，
如果您想使用 PaddleHub 快速实现模型预测（VideoTag 预训练模型已经集成到PaddleHub中），Gitee地址：https://gitee.com/PaddlePaddle/PaddleHub/tree/release/v1.7/hub_module/modules/video/classification/videotag_tsn_lstm
如果您想 Fine-tune 或了解更多的 VideoTag 模型实现细节，可以下载模型完整代码，Gitee地址：https://gitee.com/PaddlePaddle/models/tree/develop/PaddleCV/video/application/video_tag
除此之外，飞桨还为开发者和各类企业提供了更多人工智能的产业实践，填写下方的表单，即可详细了解您企业所在的行业如何使用飞桨让业务更上一层楼：https://jinshuju.net/f/zL637q
考虑到国内主流APP视频数据量巨大，为了提升模型训练速度，VideoTag采用两阶段建模方式，即图像建模和序列学习。第一阶段，使用少量视频样本（十万级别）训练大规模视频特征提取模型；第二阶段，使用千万级数据进行序列学习，最终实现在超大规模（千万/亿/十亿级别）短视频上产业应用，其原理示意如下图所示。
让我们看看模型预测的结果：
模型取出了排名较前的几个分类结果，分别是“训练”、“蹲”、“杠铃”、“健身房”。其中分类的置信度均超过了0.8，网络预测出来的标签也和事实相一致。
- API预测
PaddleHub提供了更加灵活的API预测方式，可以同时处理多个文件。
import paddlehub as hub videotag = hub.Module(name="videotag_tsn_lstm") # 一行代码完成模型预测，paths可接收多个自定义文件路径 results = videotag.classify(paths=["1.mp4","2.mp4"], use_gpu=False) print(results)
示例的2.mp4的内容截图如下所示：
模型取出了分类结果“舞蹈”，分类的置信度均超过了0.85，网络预测出来的标签也和事实相一致。
事实上，该模型对场景的预测标签有多达3396种，包括了如超市、实验、机场等地点，或者是医生、教师等人物。可以说，这些标签足够达到我们日常小视频分类的要求，能够很好的处理我们需要的场景。
无论您是从业者、学生或者深度学习爱好者，在大规模短视频分类任务上，有飞桨 VideoTag 预训练模型加持，都会有助于产品用户体验的提升，增加用户粘性。
除此之外，飞桨还为开发者和各类企业提供了更多人工智能的产业实践，填写下方的表单，即可详细了解您企业所在的行业如何使用飞桨让业务更上一层楼：https://jinshuju.net/f/zL637q