描述 #

视频裁剪处理器，支持多种裁剪模式和参数配置。

核心功能： #

• 多种裁剪模式：
  • 基于边界框的精确裁剪
  • 基于分辨率的裁剪
  • 基于宽高比的裁剪
  • 多种裁剪位置（中心、顶部、底部、左侧、右侧）
• 编码模式支持：
  • CPU 编码 (libx264)：质量优先
  • GPU 编码 (h264_nvenc)：速度优先
• 音频流自动处理：保持音频不受影响
• 多种输入输出方式：支持路径输入、二进制输入和 TOS 输出
• 精细的质量控制：可调整编码参数和质量设置

格式支持： #

• 输入：MP4、AVI、MOV 等主流视频格式
• 输出：与输入格式保持一致

参数优先级： #

• 边界框(bbox) > 目标分辨率(target_width/target_height) > 宽高比(aspect_ratio)

算子参数 #

输入 #

输出 #

包含裁剪结果路径的数组，成功返回输出路径，失败返回空字符串

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 Daft（适用于分布式）运行算子进行视频裁剪。

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.udf import las_udf
from daft.las.functions.video.video_crop import VideoCrop

if __name__ == "__main__":
    # 裁剪后的视频会保存到指定的 TOS 路径下，因此，需要设置好环境变量以保证有权限写入 TOS，包括：ACCESS_KEY,SECRET_KEY,TOS_ENDPOINT,TOS_REGION,TOS_TEST_DIR
    TOS_TEST_DIR = os.getenv("TOS_TEST_DIR", "your-bucket")
    output_tos_dir = f"tos://{TOS_TEST_DIR}/video_crop"
    
    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S",
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    # 使用环境变量构建 URL
    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {
        "video_path": [
            f"https://{tos_dir_url}/public/shared_video_dataset/sample.mp4"
        ]
    }

    ds = daft.from_pydict(samples)

    cropper = las_udf(
        VideoCrop,
        construct_args={
            "output_tos_dir": output_tos_dir,
            "target_width": 1280,
            "target_height": 720,
            "crop_mode": "center",
        },
        num_cpus=1,
        concurrency=1,
        batch_size=1,
    )

    # 使用 Daft 进行分布式处理
    ds = ds.with_column("crop_result", cropper(col("video_path")))

    ds.show()
    # ╭────────────────────────────────┬────────────────────────────────╮
    # │ video_path                     ┆ crop_result                    │
    # │ ---                            ┆ ---                            │
    # │ Utf8                           ┆ Utf8                           │
    # ╞════════════════════════════════╪════════════════════════════════╡
    # │ https://las-cn-beijing-publi-… ┆ tos://your-bucket/video_crop/… │
    # ╰────────────────────────────────┴────────────────────────────────╯