市場上的AI服務非常多，但是在視覺領域，通用的AI服務主要是基於圖像的架構來做的，視頻時代已經到來，基於圖像的AI架構是否還能被廣泛應用？阿裏雲視頻雲團隊專註於視頻領域，所以在針對視頻的AI處理方面也有獨特的思考和實踐。3月27日下午，第51期阿裏雲產品發布會-智能視覺產品隆重發布，阿裏雲高級計算專場周源針對圖像和視頻的AI處理有什麽不同？團隊是如何基於視頻構建全新的AI架構？針對AI大量的數據、訓練效果不夠好、時間與成本消耗大等痛點，他們如何解決等以上問題做了悉數解答。

一、市場上通用的圖像架構是怎樣的？
市場上大部分AI的服務，輸入的都是圖像，也就是圖片文件，是基於圖片進行處理。在業界，圖像的算法比較成熟，數量也較多，從大類來看有圖像分類、檢測、識別、分割等等。大部分AI服務的架構也是基本類似，一般包含圖像算法層、引擎框架層、資源管理層、硬件基礎層，之後基於各自的業務領域知識，構建一個面向特定領域的AI推理服務，然後通過API提供對外的訪問。

二、挑戰：視頻與圖像的不同
隨著現在視頻（直播、點播、短視頻）的越來越廣泛應用，內容從原先的圖像分析升級到視頻分析。因為復用已有的技術以及架構的改造成本等等因素，一般的AI服務一般會保持現有的框架，不同是把視頻轉換成圖像來進行處理。一般做法是按照固定的時間間隔采樣截取視頻的圖像信息，這樣整個服務架構不需要做任何改動，只是在最上面一層增加了視頻幀截取和結果匯聚的服務。

當然，這個架構在視頻時代就會存在很多問題：

1. 時效性差
   因為增加了視頻截幀和結果匯聚這樣的中間操作，所以處理時間長；視頻下載下來，處理後圖片再上傳，網絡傳輸也會導致時效性變差；舉個例子，在相同畫質下，使用一張張圖片組成的視頻，和H.264編碼的視頻，大小的比是10：1，圖片是10倍於視頻的存儲量。

2. 穩定性
   視頻截幀一般會采用開源的FFmpeg，如果遇到問題需要解決，比較依賴於開源社區。比如格式和編碼的兼容性、直播、點播中遇到數據異常、時間戳不準、定制協議、分辨率切換、卡死等。

3. 復雜性高
   把視頻轉換成批量的圖片，就需要對這些臨時的圖片進行管理，另外還涉及順序處理、異步操作、網絡抖動等問題，需要關註的非核心業務功能就要求非常多，導致業務系統整體的復雜性變高。
4. 信息丟失
   截幀是一種采樣，會引起信息丟失，丟失的信息中很有可能包含了關鍵圖像。另外，截幀的處理是對沒有時間信息的圖像結果的簡單累加，效果也不理想。

既然有這麽多問題，基於視頻的AI計算該怎麽做呢？
三、阿裏雲解決方案：面向視頻的新架構
周源所在的阿裏雲視頻雲團隊，具有多年音視頻編解碼、媒體處理相關技術經驗，他們推出的面向視頻的新架構是：把視頻作為第一類對象（First-Class Object）來看待。把視頻解碼、時間域分析、智能匯聚、音頻處理等引入到系統裏面來，把視頻處理和AI計算有機結合，以面向視頻的方式，在視頻處理的同時完成AI計算，精簡的流程能夠大幅度縮短處理時間，從時間維度提升分析效果，並能簡化業務架構，讓用戶聚焦在核心業務的發展上。為用戶提供高效穩定、簡單易用、功能豐富的視頻AI服務。

新架構具有以下幾個特點：

1. 時效性高
   相較於之前多余的截幀、上傳等一系列操作，新方案不產生臨時圖片，同時能減輕存儲的帶寬和空間需求。能充分利用視頻的並行分片機制，大幅度縮短整體處理時間。

2. 復雜性低
   面向視頻的架構，視頻處理和AI計算集成在一起，簡化了對圖片的處理過程，進而簡化整個處理邏輯，降低復雜度。

3. 穩定性高
   阿裏雲視頻雲團隊是具有10多年豐富視頻處理經驗的專業團隊，兼容性、運維各種問題都不需要用戶考慮。

4. 效果更佳
   對離散的圖像結果按照時間的關系進行更合理的匯聚，獲得更優的效果。

四、AI應用的痛點和解法
周源團隊自研的新架構很好的解決了圖像AI架構時效性差、穩定性差、復雜度高、效果不佳的問題。然而在AI的應用上，開發者也會關註到一些其他問題，比如：

目前，分類算法有ResNet、Inception、VGG等等，識別算法有FasterRCNN、SSD、YOLO等等，物體檢測、人臉識別算法也有很多，那麽如何選擇最適合自己的呢？
針對自身業務標註數據，需要大量人力投入，同時真實數據少，采集十分困難，通常需要花費非常多的視覺才能夠收集足夠多的數據，怎麽辦？
每次模型訓練時間長、反饋慢，訓練好的模型更是需要復雜的上線流程，整體業務反饋太慢，怎麽辦？
智能視覺產品針對關鍵的數據和時間問題，給出了如下解法：

1. 選擇最合適的算法
   基於阿裏巴巴在視頻和AI領域的長期積累，已經幫大家選擇好了算法，現在推出的是分類和識別，之後將推出更多算法。

2. 遷移學習——少量數據快速訓練
   遷移學習的基本原理是，根據自然圖像中的基礎邊緣、色塊、紋理的規律來歸納物體特征，並且通過在淺層網絡中復用這些基礎特征，來減少標註數據，能以更快的時間、更高的質量生成業務場景相關數據，大幅度減少數據需求，進一步減少計算量，達到縮短新模型訓練時間的效果，使業務叠代更快。

3. 數據增廣——少量數據更優效果
   在深度學習層面，在其他條件相同的情況下，數據越多訓練效果是越好的。這就產生了一個問題，更好的效果一定需要更多的數據，這需要花費大量的人力去標註。

智能視覺采用數據增廣策略，增加數據的多樣性，加強模型泛化能力，對圖像進行旋轉、斜切、仿射變換、對比度調整、色度變化、水平鏡像等變換，增加數據量的同時保持增廣數據的真實性，實現了少量數據情況下效果增強10-15%的訓練效果，同時有效降低標註數據的人力和時間成本。

智能視覺可以幫助零算法基礎的用戶，快速訓練自己領域的定制化模型，僅需要少量標註數據，完成快速的模型生成、增強的場景效果，並將訓練模型轉換成高可用、彈性可擴展的視頻AI服務，讓用戶能夠以最低的成本實現AI技術的落地。

面向視頻的全新AI架構 —— 阿裏雲智能視覺技術全解