Видео

class oceanai.modules.lab.video.VideoMessages(lang: str = 'ru', color_simple: str = '#666', color_info: str = '#1776D2', color_err: str = '#FF0000', color_true: str = '#008001', bold_text: bool = True, text_runtime: str = '', num_to_df_display: int = 30)

Базовые классы: Download

Класс для сообщений

Параметры

• lang (str) – Смотреть lang

• color_simple (str) – Смотреть color_simple

• color_info (str) – Смотреть color_info

• color_err (str) – Смотреть color_err

• color_true (str) – Смотреть color_true

• bold_text (bool) – Смотреть bold_text

• num_to_df_display (int) – Смотреть num_to_df_display

• text_runtime (str) – Смотреть text_runtime

class oceanai.modules.lab.video.Video(lang: str = 'ru', color_simple: str = '#666', color_info: str = '#1776D2', color_err: str = '#FF0000', color_true: str = '#008001', bold_text: bool = True, text_runtime: str = '', num_to_df_display: int = 30)

Базовые классы: VideoMessages

Класс для обработки видео

Параметры

• lang (str) – Смотреть lang

• color_simple (str) – Смотреть color_simple

• color_info (str) – Смотреть color_info

• color_err (str) – Смотреть color_err

• color_true (str) – Смотреть color_true

• bold_text (bool) – Смотреть bold_text

• num_to_df_display (int) – Смотреть num_to_df_display

• text_runtime (str) – Смотреть text_runtime

__calc_reshape_img_coef(shape: Union[Tuple[int], List[int]], new_shape: Union[int, Tuple[int], List[int]], out: bool = True) → float

Вычисление коэффициента изменения размера изображения

Примечание

private (приватный метод)

Параметры

• shape (Union[Tuple[int], List[int]]) – Текущий размер изображения (ширина, высота)

• new_shape (Union[int, Tuple[int], List[int]]) – Желаемый размер изображения

• out (bool) – Отображение

Результат

Коэффициент изменения размера изображения

Тип результата

float

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video._Video__calc_reshape_img_coef(
    shape = (1280, 720),
    new_shape = 224,
    out = True
)

[1]:

0.175

Верно – 2 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video._Video__calc_reshape_img_coef(
    shape = (1280, 720),
    new_shape = (1920, 1080),
    out = True
)

[1]:

1.5

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video._Video__calc_reshape_img_coef(
    shape = (1280, 720),
    new_shape = '',
    out = True
)

[4]:

[2022-10-29 13:24:27] Неверные типы или значения аргументов в "Video.__calc_reshape_img_coef" ...

-1.0

__concat_pred(pred_hc: ndarray, pred_nn: ndarray, out: bool = True) → List[Optional[ndarray]]

Конкатенация оценок по экспертным и нейросетевым признакам

Примечание

private (приватный метод)

Параметры

• pred_hc (np.ndarray) – Оценки по экспертным признакам

• pred_nn (np.ndarray) – Оценки по нейросетевым признакам

• out (bool) – Отображение

Результат

Конкатенированные оценки по экспертным и нейросетевым признакам

Тип результата

List[Optional[np.ndarray]]

Примеры

Верно – 1 –

In [1]:

import numpy as np
from oceanai.modules.lab.video import Video

video = Video()

arr_hc = np.array([
    [0.64113516, 0.6217892, 0.54451424, 0.6144415, 0.59334993],
    [0.6652424, 0.63606125, 0.572305, 0.63169795, 0.612515]
])

arr_nn = np.array([
    [0.56030345, 0.7488746, 0.44648764, 0.59893465, 0.5701077],
    [0.5900006, 0.7652722, 0.4795154, 0.6409055, 0.6088242]
])

video._Video__concat_pred(
    pred_hc = arr_hc,
    pred_nn = arr_nn,
    out = True
)

[1]:

[
    array([
            0.64113516, 0.6652424, 0.65318878, 0.65318878, 0.65318878,
            0.65318878, 0.65318878, 0.65318878, 0.65318878, 0.65318878,
            0.65318878, 0.65318878, 0.65318878, 0.65318878, 0.65318878,
            0.65318878, 0.56030345, 0.5900006, 0.57515202, 0.57515202,
            0.57515202, 0.57515202, 0.57515202, 0.57515202, 0.57515202,
            0.57515202, 0.57515202, 0.57515202, 0.57515202, 0.57515202,
            0.57515202, 0.57515202
    ]),
    array([
            0.6217892, 0.63606125, 0.62892523, 0.62892523, 0.62892523,
            0.62892523, 0.62892523, 0.62892523, 0.62892523, 0.62892523,
            0.62892523, 0.62892523, 0.62892523, 0.62892523, 0.62892523,
            0.62892523, 0.7488746, 0.7652722, 0.7570734, 0.7570734,
            0.7570734, 0.7570734, 0.7570734, 0.7570734, 0.7570734,
            0.7570734, 0.7570734, 0.7570734, 0.7570734, 0.7570734,
            0.7570734, 0.7570734
    ]),
    array([
            0.54451424, 0.572305, 0.55840962, 0.55840962, 0.55840962,
            0.55840962, 0.55840962, 0.55840962, 0.55840962, 0.55840962,
            0.55840962, 0.55840962, 0.55840962, 0.55840962, 0.55840962,
            0.55840962, 0.44648764, 0.4795154, 0.46300152, 0.46300152,
            0.46300152, 0.46300152, 0.46300152, 0.46300152, 0.46300152,
            0.46300152, 0.46300152, 0.46300152, 0.46300152, 0.46300152,
            0.46300152, 0.46300152
    ]),
    array([
            0.6144415, 0.63169795, 0.62306972, 0.62306972, 0.62306972,
            0.62306972, 0.62306972, 0.62306972, 0.62306972, 0.62306972,
            0.62306972, 0.62306972, 0.62306972, 0.62306972, 0.62306972,
            0.62306972, 0.59893465, 0.6409055, 0.61992008, 0.61992008,
            0.61992008, 0.61992008, 0.61992008, 0.61992008, 0.61992008,
            0.61992008, 0.61992008, 0.61992008, 0.61992008, 0.61992008,
            0.61992008, 0.61992008
    ]),
    array([
            0.59334993, 0.612515, 0.60293247, 0.60293247, 0.60293247,
            0.60293247, 0.60293247, 0.60293247, 0.60293247, 0.60293247,
            0.60293247, 0.60293247, 0.60293247, 0.60293247, 0.60293247,
            0.60293247, 0.5701077, 0.6088242, 0.58946595, 0.58946595,
            0.58946595, 0.58946595, 0.58946595, 0.58946595, 0.58946595,
            0.58946595, 0.58946595, 0.58946595, 0.58946595, 0.58946595,
            0.58946595, 0.58946595
    ])
]

Ошибка – 1 –

In [2]:

import numpy as np
from oceanai.modules.lab.video import Video

video = Video()

arr_hc = np.array([
    [0.64113516, 0.6217892, 0.54451424, 0.6144415],
    [0.6652424, 0.63606125, 0.572305, 0.63169795, 0.612515]
])

arr_nn = np.array([
    [0.56030345, 0.7488746, 0.44648764, 0.59893465, 0.5701077],
    [0.5900006, 0.7652722, 0.4795154, 0.6409055, 0.6088242]
])

video._Video__concat_pred(
    pred_hc = arr_hc,
    pred_nn = arr_nn,
    out = True
)

[3]:

[2022-10-20 22:33:31] Ой! Что-то пошло не так ... конкатенация оценок по экспертным и нейросетевым
признакам не произведена (видео модальность) ...

[]

__load_model_weights(url: str, force_reload: bool = True, info_text: str = '', out: bool = True, runtime: bool = True, run: bool = True) → bool

Загрузка весов нейросетевой модели

Примечание

private (приватный метод)

Параметры

• url (str) – Полный путь к файлу с весами нейросетевой модели

• force_reload (bool) – Принудительная загрузка файла с весами нейросетевой модели из сети

• info_text (str) – Текст для информационного сообщения

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если веса нейросетевой модели загружены, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

video._Video__load_model_weights(
    url = 'https://download.sberdisk.ru/download/file/412059444?token=JXerCfAjJZg6crD&filename=weights_2022-08-27_18-53-35.h5',
    force_reload = True,
    info_text = 'Загрузка весов нейросетевой модели',
    out = True, runtime = True, run = True
)

[1]:

[2022-10-27 12:46:55] Загрузка весов нейросетевой модели

[2022-10-27 12:46:55] Загрузка файла "weights_2022-08-27_18-53-35.h5" (100.0%) ...

--- Время выполнения: 0.626 сек. ---

True

– 2 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

video._Video__load_model_weights(
    url = './models/weights_2022-08-27_18-53-35.h5',
    force_reload = True,
    info_text = 'Загрузка весов нейросетевой модели',
    out = True, runtime = True, run = True
)

[2]:

[2022-10-27 12:47:52] Загрузка весов нейросетевой модели

--- Время выполнения: 0.002 сек. ---

True

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

video._Video__load_model_weights(
    url = 'https://download.sberdisk.ru/download/file/412059444?token=JXerCfAjJZg6crD&filename=weights_2022-08-27_18-53-35.h5',
    force_reload = True, info_text = '',
    out = True, runtime = True, run = True
)

[3]:

[2022-10-27 12:48:24] Неверные типы или значения аргументов в "Video.__load_model_weights" ...

False

__load_video_model_b5(show_summary: bool = False, out: bool = True) → Optional[Model]

Формирование нейросетевой архитектуры модели для получения результата оценки персонального качества

Примечание

private (приватный метод)

Параметры

• show_summary (bool) – Отображение сформированной нейросетевой архитектуры модели

• out (bool) – Отображение

Результат

None если неверные типы или значения аргументов, в обратном случае нейросетевая модель tf.keras.Model для получения результата оценки персонального качества

Тип результата

Optional[tf.keras.Model]

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video._Video__load_video_model_b5(
    show_summary = True, out = True
)

[1]:

Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 input_1 (InputLayer)        [(None, 32)]              0

 dense_1 (Dense)             (None, 1)                 33

 activ_1 (Activation)        (None, 1)                 0

=================================================================
Total params: 33
Trainable params: 33
Non-trainable params: 0
_________________________________________________________________
<tf.keras.Model at 0x13d442940>

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video._Video__load_video_model_b5(
    show_summary = True, out = []
)

[3]:

[2022-10-17 10:53:03] Неверные типы или значения аргументов в "Video.__load_video_model_b5" ...

__norm_pred(pred_data: ndarray, len_nn: int = 16, out: bool = True) → ndarray

Нормализация оценок по экспертным и нейросетевым признакам

Примечание

private (приватный метод)

Параметры

• pred_data (np.ndarray) – Оценки

• len_nn (int) – Максимальный размер вектора оценок

• out (bool) – Отображение

Результат

Нормализованные оценки по экспертным и нейросетевым признакам

Тип результата

np.ndarray

Примеры

Верно – 1 –

In [1]:

import numpy as np
from oceanai.modules.lab.video import Video

video = Video()

arr = np.array([
    [0.64113516, 0.6217892, 0.54451424, 0.6144415, 0.59334993],
    [0.6652424, 0.63606125, 0.572305, 0.63169795, 0.612515]
])

video._Video__norm_pred(
    pred_data = arr,
    len_nn = 4,
    out = True
)

[1]:

array([
    [0.64113516, 0.6217892 , 0.54451424, 0.6144415 , 0.59334993],
    [0.6652424 , 0.63606125, 0.572305  , 0.63169795, 0.612515],
    [0.65318878, 0.62892523, 0.55840962, 0.62306972, 0.60293247],
    [0.65318878, 0.62892523, 0.55840962, 0.62306972, 0.60293247]
])

Ошибка – 1 –

In [2]:

import numpy as np
from oceanai.modules.lab.video import Video

video = Video()

arr = np.array([])

video._Video__norm_pred(
    pred_data = arr,
    len_nn = 4,
    out = True
)

[3]:

[2022-10-20 22:03:17] Неверные типы или значения аргументов в "Video.__norm_pred" ...

array([], dtype=float64)

_get_visual_features(path: str, reduction_fps: int = 5, window: int = 10, step: int = 5, lang: str = 'ru', last: bool = False, out: bool = True, runtime: bool = True, run: bool = True) → Tuple[ndarray, ndarray]

Извлечение признаков из визуального сигнала (без очистки истории вывода сообщений в ячейке Jupyter)

Примечание

protected (защищенный метод)

Параметры

• path (str) – Путь к видеофайлу

• reduction_fps (int) – Понижение кадровой частоты

• window (int) – Размер окна сегмента сигнала (в кадрах)

• step (int) – Шаг сдвига окна сегмента сигнала (в кадрах)

• lang (str) – Язык

• last (bool) – Замена последнего сообщения

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

Кортеж с двумя np.ndarray:

1. np.ndarray с экспертными признаками

2. np.ndarray с нейросетевыми признаками

Тип результата

Tuple[np.ndarray, np.ndarray]

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

res_load_model_deep_fe = video.load_video_model_deep_fe(
    show_summary = False,
    out = True,
    runtime = True,
    run = True
)

[1]:

[2022-11-03 16:37:12] Формирование нейросетевой архитектуры для получения нейросетевых признаков (видео модальность) ...

--- Время выполнения: 1.564 сек. ---

In [2]:

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['fe']['sberdisk']

res_load_video_model_weights_deep_fe = video.load_video_model_weights_deep_fe(
    url = url,
    force_reload = True, out = True,
    runtime = True, run = True
)

[2]:

[2022-11-03 16:39:10] Загрузка весов нейросетевой модели для получения нейросетевых признаков (видео модальность) ...

[2022-11-03 16:39:14] Загрузка файла "weights_2022-11-01_12-27-07.h5" (100.0%) ...

--- Время выполнения: 4.874 сек. ---

In [3]:

path = '/Users/dl/GitHub/oceanai/oceanai/dataset/test80_01/glgfB3vFewc.004.mp4'

hc_features, nn_features = video.get_visual_features(
    path = path, reduction_fps = 5,
    window = 10, step = 5,
    out = True, runtime = True, run = True
)

[3]:

[2022-11-03 16:56:52] Извлечение признаков (экспертных и нейросетевых) из визуального сигнала ...

[2022-11-03 16:56:58] Статистика извлеченных признаков из визуального сигнала:
    Общее количество сегментов с:
    1. экспертными признаками: 12
    2. нейросетевыми признаками: 12
    Размерность матрицы экспертных признаков одного сегмента: 10 ✕ 115
    Размерность тензора с нейросетевыми признаками одного сегмента: 10 ✕ 512
    Понижение кадровой частоты: с 30 до 5

--- Время выполнения: 6.109 сек. ---

Ошибка – 1 –

In [4]:

from oceanai.modules.lab.video import Video

video = Video()

path = '/Users/dl/GitHub/oceanai/oceanai/dataset/test80_01/glgfB3vFewc.004.mp4'

hc_features, nn_features = video.get_visual_features(
    path = path, reduction_fps = 5,
    window = 10, step = 5,
    out = True, runtime = True, run = True
)

[4]:

[2022-11-03 16:59:45] Извлечение признаков (экспертных и нейросетевых) из визуального сигнала ...

[2022-11-03 16:59:46] Ой! Что-то пошло не так ... нейросетевая архитектура модели для получения нейросетевых признаков не сформирована (видео модальность) ...

--- Время выполнения: 1.358 сек. ---

get_video_union_predictions(depth: int = 1, recursive: bool = False, reduction_fps: int = 5, window: int = 10, step: int = 5, lang: str = 'ru', accuracy=True, url_accuracy: str = '', logs: bool = True, out: bool = True, runtime: bool = True, run: bool = True) → bool

Получения прогнозов по видео

Параметры

• depth (int) – Глубина иерархии для получения данных

• recursive (bool) – Рекурсивный поиск данных

• reduction_fps (int) – Понижение кадровой частоты

• window (int) – Размер окна сегмента сигнала (в кадрах)

• step (int) – Шаг сдвига окна сегмента сигнала (в кадрах)

• lang (str) – Язык

• accuracy (bool) – Вычисление точности

• url_accuracy (str) – Полный путь к файлу с верными предсказаниями для подсчета точности

• logs (bool) – При необходимости формировать LOG файл

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если прогнозы успешно получены, в обратном случае False

Тип результата

bool

Пример

get_visual_features(path: str, reduction_fps: int = 5, window: int = 10, step: int = 5, lang: str = 'ru', out: bool = True, runtime: bool = True, run: bool = True) → Tuple[ndarray, ndarray]

Извлечение признаков из визуального сигнала

Параметры

• path (str) – Путь к видеофайлу

• reduction_fps (int) – Понижение кадровой частоты

• window (int) – Размер окна сегмента сигнала (в кадрах)

• step (int) – Шаг сдвига окна сегмента сигнала (в кадрах)

• lang (str) – Язык

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

Кортеж с двумя np.ndarray:

1. np.ndarray с экспертными признаками

2. np.ndarray с нейросетевыми признаками

Тип результата

Tuple[np.ndarray, np.ndarray]

Пример

load_video_model_deep_fe(show_summary: bool = False, out: bool = True, runtime: bool = True, run: bool = True) → bool

Формирование нейросетевой архитектуры для получения нейросетевых признаков

Параметры

• show_summary (bool) – Отображение сформированной нейросетевой архитектуры модели

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если нейросетевая архитектура модели сформирована, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_deep_fe(
    show_summary = True, out = True,
    runtime = True, run = True
)

[1]:

[2022-11-01 12:18:14] Формирование нейросетевой архитектуры для получения нейросетевых признаков (видео модальность) ...

Model: "model_1"
__________________________________________________________________________________________________
 Layer (type)                   Output Shape         Param #     Connected to
==================================================================================================
 input_2 (InputLayer)           [(None, 224, 224, 3  0           []
                )]

 conv1/7x7_s2 (Conv2D)          (None, 112, 112, 64  9408        ['input_2[0][0]']
                )

 conv1/7x7_s2/bn (BatchNormaliz  (None, 112, 112, 64  256        ['conv1/7x7_s2[0][0]']
 ation)                         )

 activation_49 (Activation)     (None, 112, 112, 64  0           ['conv1/7x7_s2/bn[0][0]']
                )

 max_pooling2d_1 (MaxPooling2D)  (None, 55, 55, 64)  0           ['activation_49[0][0]']

 conv2_1_1x1_reduce (Conv2D)    (None, 55, 55, 64)   4096        ['max_pooling2d_1[0][0]']

 conv2_1_1x1_reduce/bn (BatchNo  (None, 55, 55, 64)  256         ['conv2_1_1x1_reduce[0][0]']
 rmalization)

 activation_50 (Activation)     (None, 55, 55, 64)   0           ['conv2_1_1x1_reduce/bn[0][0]']

 conv2_1_3x3 (Conv2D)           (None, 55, 55, 64)   36864       ['activation_50[0][0]']

 conv2_1_3x3/bn (BatchNormaliza  (None, 55, 55, 64)  256         ['conv2_1_3x3[0][0]']
 tion)

 activation_51 (Activation)     (None, 55, 55, 64)   0           ['conv2_1_3x3/bn[0][0]']

 conv2_1_1x1_increase (Conv2D)  (None, 55, 55, 256)  16384       ['activation_51[0][0]']

 conv2_1_1x1_proj (Conv2D)      (None, 55, 55, 256)  16384       ['max_pooling2d_1[0][0]']

 conv2_1_1x1_increase/bn (Batch  (None, 55, 55, 256)  1024       ['conv2_1_1x1_increase[0][0]']
 Normalization)

 conv2_1_1x1_proj/bn (BatchNorm  (None, 55, 55, 256)  1024       ['conv2_1_1x1_proj[0][0]']
 alization)

 add_16 (Add)                   (None, 55, 55, 256)  0           ['conv2_1_1x1_increase/bn[0][0]',
                                  'conv2_1_1x1_proj/bn[0][0]']

 activation_52 (Activation)     (None, 55, 55, 256)  0           ['add_16[0][0]']

 conv2_2_1x1_reduce (Conv2D)    (None, 55, 55, 64)   16384       ['activation_52[0][0]']

 conv2_2_1x1_reduce/bn (BatchNo  (None, 55, 55, 64)  256         ['conv2_2_1x1_reduce[0][0]']
 rmalization)

 activation_53 (Activation)     (None, 55, 55, 64)   0           ['conv2_2_1x1_reduce/bn[0][0]']

 conv2_2_3x3 (Conv2D)           (None, 55, 55, 64)   36864       ['activation_53[0][0]']

 conv2_2_3x3/bn (BatchNormaliza  (None, 55, 55, 64)  256         ['conv2_2_3x3[0][0]']
 tion)

 activation_54 (Activation)     (None, 55, 55, 64)   0           ['conv2_2_3x3/bn[0][0]']

 conv2_2_1x1_increase (Conv2D)  (None, 55, 55, 256)  16384       ['activation_54[0][0]']

 conv2_2_1x1_increase/bn (Batch  (None, 55, 55, 256)  1024       ['conv2_2_1x1_increase[0][0]']
 Normalization)

 add_17 (Add)                   (None, 55, 55, 256)  0           ['conv2_2_1x1_increase/bn[0][0]',
                                  'activation_52[0][0]']

 activation_55 (Activation)     (None, 55, 55, 256)  0           ['add_17[0][0]']

 conv2_3_1x1_reduce (Conv2D)    (None, 55, 55, 64)   16384       ['activation_55[0][0]']

 conv2_3_1x1_reduce/bn (BatchNo  (None, 55, 55, 64)  256         ['conv2_3_1x1_reduce[0][0]']
 rmalization)

 activation_56 (Activation)     (None, 55, 55, 64)   0           ['conv2_3_1x1_reduce/bn[0][0]']

 conv2_3_3x3 (Conv2D)           (None, 55, 55, 64)   36864       ['activation_56[0][0]']

 conv2_3_3x3/bn (BatchNormaliza  (None, 55, 55, 64)  256         ['conv2_3_3x3[0][0]']
 tion)

 activation_57 (Activation)     (None, 55, 55, 64)   0           ['conv2_3_3x3/bn[0][0]']

 conv2_3_1x1_increase (Conv2D)  (None, 55, 55, 256)  16384       ['activation_57[0][0]']

 conv2_3_1x1_increase/bn (Batch  (None, 55, 55, 256)  1024       ['conv2_3_1x1_increase[0][0]']
 Normalization)

 add_18 (Add)                   (None, 55, 55, 256)  0           ['conv2_3_1x1_increase/bn[0][0]',
                                  'activation_55[0][0]']

 activation_58 (Activation)     (None, 55, 55, 256)  0           ['add_18[0][0]']

 conv3_1_1x1_reduce (Conv2D)    (None, 28, 28, 128)  32768       ['activation_58[0][0]']

 conv3_1_1x1_reduce/bn (BatchNo  (None, 28, 28, 128)  512        ['conv3_1_1x1_reduce[0][0]']
 rmalization)

 activation_59 (Activation)     (None, 28, 28, 128)  0           ['conv3_1_1x1_reduce/bn[0][0]']

 conv3_1_3x3 (Conv2D)           (None, 28, 28, 128)  147456      ['activation_59[0][0]']

 conv3_1_3x3/bn (BatchNormaliza  (None, 28, 28, 128)  512        ['conv3_1_3x3[0][0]']
 tion)

 activation_60 (Activation)     (None, 28, 28, 128)  0           ['conv3_1_3x3/bn[0][0]']

 conv3_1_1x1_increase (Conv2D)  (None, 28, 28, 512)  65536       ['activation_60[0][0]']

 conv3_1_1x1_proj (Conv2D)      (None, 28, 28, 512)  131072      ['activation_58[0][0]']

 conv3_1_1x1_increase/bn (Batch  (None, 28, 28, 512)  2048       ['conv3_1_1x1_increase[0][0]']
 Normalization)

 conv3_1_1x1_proj/bn (BatchNorm  (None, 28, 28, 512)  2048       ['conv3_1_1x1_proj[0][0]']
 alization)

 add_19 (Add)                   (None, 28, 28, 512)  0           ['conv3_1_1x1_increase/bn[0][0]',
                                  'conv3_1_1x1_proj/bn[0][0]']

 activation_61 (Activation)     (None, 28, 28, 512)  0           ['add_19[0][0]']

 conv3_2_1x1_reduce (Conv2D)    (None, 28, 28, 128)  65536       ['activation_61[0][0]']

 conv3_2_1x1_reduce/bn (BatchNo  (None, 28, 28, 128)  512        ['conv3_2_1x1_reduce[0][0]']
 rmalization)

 activation_62 (Activation)     (None, 28, 28, 128)  0           ['conv3_2_1x1_reduce/bn[0][0]']

 conv3_2_3x3 (Conv2D)           (None, 28, 28, 128)  147456      ['activation_62[0][0]']

 conv3_2_3x3/bn (BatchNormaliza  (None, 28, 28, 128)  512        ['conv3_2_3x3[0][0]']
 tion)

 activation_63 (Activation)     (None, 28, 28, 128)  0           ['conv3_2_3x3/bn[0][0]']

 conv3_2_1x1_increase (Conv2D)  (None, 28, 28, 512)  65536       ['activation_63[0][0]']

 conv3_2_1x1_increase/bn (Batch  (None, 28, 28, 512)  2048       ['conv3_2_1x1_increase[0][0]']
 Normalization)

 add_20 (Add)                   (None, 28, 28, 512)  0           ['conv3_2_1x1_increase/bn[0][0]',
                                  'activation_61[0][0]']

 activation_64 (Activation)     (None, 28, 28, 512)  0           ['add_20[0][0]']

 conv3_3_1x1_reduce (Conv2D)    (None, 28, 28, 128)  65536       ['activation_64[0][0]']

 conv3_3_1x1_reduce/bn (BatchNo  (None, 28, 28, 128)  512        ['conv3_3_1x1_reduce[0][0]']
 rmalization)

 activation_65 (Activation)     (None, 28, 28, 128)  0           ['conv3_3_1x1_reduce/bn[0][0]']

 conv3_3_3x3 (Conv2D)           (None, 28, 28, 128)  147456      ['activation_65[0][0]']

 conv3_3_3x3/bn (BatchNormaliza  (None, 28, 28, 128)  512        ['conv3_3_3x3[0][0]']
 tion)

 activation_66 (Activation)     (None, 28, 28, 128)  0           ['conv3_3_3x3/bn[0][0]']

 conv3_3_1x1_increase (Conv2D)  (None, 28, 28, 512)  65536       ['activation_66[0][0]']

 conv3_3_1x1_increase/bn (Batch  (None, 28, 28, 512)  2048       ['conv3_3_1x1_increase[0][0]']
 Normalization)

 add_21 (Add)                   (None, 28, 28, 512)  0           ['conv3_3_1x1_increase/bn[0][0]',
                                  'activation_64[0][0]']

 activation_67 (Activation)     (None, 28, 28, 512)  0           ['add_21[0][0]']

 conv3_4_1x1_reduce (Conv2D)    (None, 28, 28, 128)  65536       ['activation_67[0][0]']

 conv3_4_1x1_reduce/bn (BatchNo  (None, 28, 28, 128)  512        ['conv3_4_1x1_reduce[0][0]']
 rmalization)

 activation_68 (Activation)     (None, 28, 28, 128)  0           ['conv3_4_1x1_reduce/bn[0][0]']

 conv3_4_3x3 (Conv2D)           (None, 28, 28, 128)  147456      ['activation_68[0][0]']

 conv3_4_3x3/bn (BatchNormaliza  (None, 28, 28, 128)  512        ['conv3_4_3x3[0][0]']
 tion)

 activation_69 (Activation)     (None, 28, 28, 128)  0           ['conv3_4_3x3/bn[0][0]']

 conv3_4_1x1_increase (Conv2D)  (None, 28, 28, 512)  65536       ['activation_69[0][0]']

 conv3_4_1x1_increase/bn (Batch  (None, 28, 28, 512)  2048       ['conv3_4_1x1_increase[0][0]']
 Normalization)

 add_22 (Add)                   (None, 28, 28, 512)  0           ['conv3_4_1x1_increase/bn[0][0]',
                                  'activation_67[0][0]']

 activation_70 (Activation)     (None, 28, 28, 512)  0           ['add_22[0][0]']

 conv4_1_1x1_reduce (Conv2D)    (None, 14, 14, 256)  131072      ['activation_70[0][0]']

 conv4_1_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_1_1x1_reduce[0][0]']
 rmalization)

 activation_71 (Activation)     (None, 14, 14, 256)  0           ['conv4_1_1x1_reduce/bn[0][0]']

 conv4_1_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_71[0][0]']

 conv4_1_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_1_3x3[0][0]']
 tion)

 activation_72 (Activation)     (None, 14, 14, 256)  0           ['conv4_1_3x3/bn[0][0]']

 conv4_1_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_72[0][0]']
                )

 conv4_1_1x1_proj (Conv2D)      (None, 14, 14, 1024  524288      ['activation_70[0][0]']
                )

 conv4_1_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_1_1x1_increase[0][0]']
 Normalization)                 )

 conv4_1_1x1_proj/bn (BatchNorm  (None, 14, 14, 1024  4096       ['conv4_1_1x1_proj[0][0]']
 alization)                     )

 add_23 (Add)                   (None, 14, 14, 1024  0           ['conv4_1_1x1_increase/bn[0][0]',
                )                                 'conv4_1_1x1_proj/bn[0][0]']

 activation_73 (Activation)     (None, 14, 14, 1024  0           ['add_23[0][0]']
                )

 conv4_2_1x1_reduce (Conv2D)    (None, 14, 14, 256)  262144      ['activation_73[0][0]']

 conv4_2_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_2_1x1_reduce[0][0]']
 rmalization)

 activation_74 (Activation)     (None, 14, 14, 256)  0           ['conv4_2_1x1_reduce/bn[0][0]']

 conv4_2_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_74[0][0]']

 conv4_2_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_2_3x3[0][0]']
 tion)

 activation_75 (Activation)     (None, 14, 14, 256)  0           ['conv4_2_3x3/bn[0][0]']

 conv4_2_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_75[0][0]']
                )

 conv4_2_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_2_1x1_increase[0][0]']
 Normalization)                 )

 add_24 (Add)                   (None, 14, 14, 1024  0           ['conv4_2_1x1_increase/bn[0][0]',
                )                                 'activation_73[0][0]']

 activation_76 (Activation)     (None, 14, 14, 1024  0           ['add_24[0][0]']
                )

 conv4_3_1x1_reduce (Conv2D)    (None, 14, 14, 256)  262144      ['activation_76[0][0]']

 conv4_3_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_3_1x1_reduce[0][0]']
 rmalization)

 activation_77 (Activation)     (None, 14, 14, 256)  0           ['conv4_3_1x1_reduce/bn[0][0]']

 conv4_3_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_77[0][0]']

 conv4_3_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_3_3x3[0][0]']
 tion)

 activation_78 (Activation)     (None, 14, 14, 256)  0           ['conv4_3_3x3/bn[0][0]']

 conv4_3_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_78[0][0]']
                )

 conv4_3_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_3_1x1_increase[0][0]']
 Normalization)                 )

 add_25 (Add)                   (None, 14, 14, 1024  0           ['conv4_3_1x1_increase/bn[0][0]',
                )                                 'activation_76[0][0]']

 activation_79 (Activation)     (None, 14, 14, 1024  0           ['add_25[0][0]']
                )

 conv4_4_1x1_reduce (Conv2D)    (None, 14, 14, 256)  262144      ['activation_79[0][0]']

 conv4_4_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_4_1x1_reduce[0][0]']
 rmalization)

 activation_80 (Activation)     (None, 14, 14, 256)  0           ['conv4_4_1x1_reduce/bn[0][0]']

 conv4_4_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_80[0][0]']

 conv4_4_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_4_3x3[0][0]']
 tion)

 activation_81 (Activation)     (None, 14, 14, 256)  0           ['conv4_4_3x3/bn[0][0]']

 conv4_4_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_81[0][0]']
                )

 conv4_4_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_4_1x1_increase[0][0]']
 Normalization)                 )

 add_26 (Add)                   (None, 14, 14, 1024  0           ['conv4_4_1x1_increase/bn[0][0]',
                )                                 'activation_79[0][0]']

 activation_82 (Activation)     (None, 14, 14, 1024  0           ['add_26[0][0]']
                )

 conv4_5_1x1_reduce (Conv2D)    (None, 14, 14, 256)  262144      ['activation_82[0][0]']

 conv4_5_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_5_1x1_reduce[0][0]']
 rmalization)

 activation_83 (Activation)     (None, 14, 14, 256)  0           ['conv4_5_1x1_reduce/bn[0][0]']

 conv4_5_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_83[0][0]']

 conv4_5_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_5_3x3[0][0]']
 tion)

 activation_84 (Activation)     (None, 14, 14, 256)  0           ['conv4_5_3x3/bn[0][0]']

 conv4_5_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_84[0][0]']
                )

 conv4_5_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_5_1x1_increase[0][0]']
 Normalization)                 )

 add_27 (Add)                   (None, 14, 14, 1024  0           ['conv4_5_1x1_increase/bn[0][0]',
                )                                 'activation_82[0][0]']

 activation_85 (Activation)     (None, 14, 14, 1024  0           ['add_27[0][0]']
                )

 conv4_6_1x1_reduce (Conv2D)    (None, 14, 14, 256)  262144      ['activation_85[0][0]']

 conv4_6_1x1_reduce/bn (BatchNo  (None, 14, 14, 256)  1024       ['conv4_6_1x1_reduce[0][0]']
 rmalization)

 activation_86 (Activation)     (None, 14, 14, 256)  0           ['conv4_6_1x1_reduce/bn[0][0]']

 conv4_6_3x3 (Conv2D)           (None, 14, 14, 256)  589824      ['activation_86[0][0]']

 conv4_6_3x3/bn (BatchNormaliza  (None, 14, 14, 256)  1024       ['conv4_6_3x3[0][0]']
 tion)

 activation_87 (Activation)     (None, 14, 14, 256)  0           ['conv4_6_3x3/bn[0][0]']

 conv4_6_1x1_increase (Conv2D)  (None, 14, 14, 1024  262144      ['activation_87[0][0]']
                )

 conv4_6_1x1_increase/bn (Batch  (None, 14, 14, 1024  4096       ['conv4_6_1x1_increase[0][0]']
 Normalization)                 )

 add_28 (Add)                   (None, 14, 14, 1024  0           ['conv4_6_1x1_increase/bn[0][0]',
                )                                 'activation_85[0][0]']

 activation_88 (Activation)     (None, 14, 14, 1024  0           ['add_28[0][0]']
                )

 conv5_1_1x1_reduce (Conv2D)    (None, 7, 7, 512)    524288      ['activation_88[0][0]']

 conv5_1_1x1_reduce/bn (BatchNo  (None, 7, 7, 512)   2048        ['conv5_1_1x1_reduce[0][0]']
 rmalization)

 activation_89 (Activation)     (None, 7, 7, 512)    0           ['conv5_1_1x1_reduce/bn[0][0]']

 conv5_1_3x3 (Conv2D)           (None, 7, 7, 512)    2359296     ['activation_89[0][0]']

 conv5_1_3x3/bn (BatchNormaliza  (None, 7, 7, 512)   2048        ['conv5_1_3x3[0][0]']
 tion)

 activation_90 (Activation)     (None, 7, 7, 512)    0           ['conv5_1_3x3/bn[0][0]']

 conv5_1_1x1_increase (Conv2D)  (None, 7, 7, 2048)   1048576     ['activation_90[0][0]']

 conv5_1_1x1_proj (Conv2D)      (None, 7, 7, 2048)   2097152     ['activation_88[0][0]']

 conv5_1_1x1_increase/bn (Batch  (None, 7, 7, 2048)  8192        ['conv5_1_1x1_increase[0][0]']
 Normalization)

 conv5_1_1x1_proj/bn (BatchNorm  (None, 7, 7, 2048)  8192        ['conv5_1_1x1_proj[0][0]']
 alization)

 add_29 (Add)                   (None, 7, 7, 2048)   0           ['conv5_1_1x1_increase/bn[0][0]',
                                  'conv5_1_1x1_proj/bn[0][0]']

 activation_91 (Activation)     (None, 7, 7, 2048)   0           ['add_29[0][0]']

 conv5_2_1x1_reduce (Conv2D)    (None, 7, 7, 512)    1048576     ['activation_91[0][0]']

 conv5_2_1x1_reduce/bn (BatchNo  (None, 7, 7, 512)   2048        ['conv5_2_1x1_reduce[0][0]']
 rmalization)

 activation_92 (Activation)     (None, 7, 7, 512)    0           ['conv5_2_1x1_reduce/bn[0][0]']

 conv5_2_3x3 (Conv2D)           (None, 7, 7, 512)    2359296     ['activation_92[0][0]']

 conv5_2_3x3/bn (BatchNormaliza  (None, 7, 7, 512)   2048        ['conv5_2_3x3[0][0]']
 tion)

 activation_93 (Activation)     (None, 7, 7, 512)    0           ['conv5_2_3x3/bn[0][0]']

 conv5_2_1x1_increase (Conv2D)  (None, 7, 7, 2048)   1048576     ['activation_93[0][0]']

 conv5_2_1x1_increase/bn (Batch  (None, 7, 7, 2048)  8192        ['conv5_2_1x1_increase[0][0]']
 Normalization)

 add_30 (Add)                   (None, 7, 7, 2048)   0           ['conv5_2_1x1_increase/bn[0][0]',
                                  'activation_91[0][0]']

 activation_94 (Activation)     (None, 7, 7, 2048)   0           ['add_30[0][0]']

 conv5_3_1x1_reduce (Conv2D)    (None, 7, 7, 512)    1048576     ['activation_94[0][0]']

 conv5_3_1x1_reduce/bn (BatchNo  (None, 7, 7, 512)   2048        ['conv5_3_1x1_reduce[0][0]']
 rmalization)

 activation_95 (Activation)     (None, 7, 7, 512)    0           ['conv5_3_1x1_reduce/bn[0][0]']

 conv5_3_3x3 (Conv2D)           (None, 7, 7, 512)    2359296     ['activation_95[0][0]']

 conv5_3_3x3/bn (BatchNormaliza  (None, 7, 7, 512)   2048        ['conv5_3_3x3[0][0]']
 tion)

 activation_96 (Activation)     (None, 7, 7, 512)    0           ['conv5_3_3x3/bn[0][0]']

 conv5_3_1x1_increase (Conv2D)  (None, 7, 7, 2048)   1048576     ['activation_96[0][0]']

 conv5_3_1x1_increase/bn (Batch  (None, 7, 7, 2048)  8192        ['conv5_3_1x1_increase[0][0]']
 Normalization)

 add_31 (Add)                   (None, 7, 7, 2048)   0           ['conv5_3_1x1_increase/bn[0][0]',
                                  'activation_94[0][0]']

 activation_97 (Activation)     (None, 7, 7, 2048)   0           ['add_31[0][0]']

 avg_pool (AveragePooling2D)    (None, 1, 1, 2048)   0           ['activation_97[0][0]']

 global_average_pooling2d_1 (Gl  (None, 2048)        0           ['avg_pool[0][0]']
 obalAveragePooling2D)

 gaussian_noise_1 (GaussianNois  (None, 2048)        0           ['global_average_pooling2d_1[0][0
 e)                                                              ]']

 dense_x (Dense)                (None, 512)          1049088     ['gaussian_noise_1[0][0]']

 dropout_1 (Dropout)            (None, 512)          0           ['dense_x[0][0]']

 dense_1 (Dense)                (None, 7)            3591        ['dropout_1[0][0]']

==================================================================================================
Total params: 24,613,831
Trainable params: 24,560,711
Non-trainable params: 53,120
__________________________________________________________________________________________________
--- Время выполнения: 2.222 сек. ---

True

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_deep_fe(
    show_summary = 1, out = True,
    runtime = True, run = True
)

[2]:

[2022-11-01 12:21:23] Неверные типы или значения аргументов в "Video.load_video_model_deep_fe" ...

False

load_video_model_hc(lang: str, show_summary: bool = False, out: bool = True, runtime: bool = True, run: bool = True) → bool

Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам

Параметры

• lang (str) – Язык

• show_summary (bool) – Отображение сформированной нейросетевой архитектуры модели

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если нейросетевая архитектура модели сформирована, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_hc(
    show_summary = False, out = True,
    runtime = True, run = True
)

[1]:

[2022-10-25 16:37:43] Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам (видео модальность) ...

--- Время выполнения: 0.659 сек. ---

True

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_hc(
    show_summary = 1, out = True,
    runtime = True, run = True
)

[2]:

[2022-10-26 12:27:41] Неверные типы или значения аргументов в "Video.load_video_model_hc" ...

False

load_video_model_nn(show_summary: bool = False, out: bool = True, runtime: bool = True, run: bool = True) → bool

Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам

Параметры

• show_summary (bool) – Отображение сформированной нейросетевой архитектуры модели

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если нейросетевая архитектура модели сформирована, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_nn(
    show_summary = True, out = True,
    runtime = True, run = True
)

[1]:

[2022-10-27 14:46:11] Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам (видео модальность) ...

Model: "model"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 input_1 (InputLayer)        [(None, 10, 512)]         0

 lstm (LSTM)                 (None, 1024)              6295552

 dropout (Dropout)           (None, 1024)              0

 dense (Dense)               (None, 5)                 5125

 activation (Activation)     (None, 5)                 0

=================================================================
Total params: 6,300,677
Trainable params: 6,300,677
Non-trainable params: 0
_________________________________________________________________
--- Время выполнения: 2.018 сек. ---

True

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_model_nn(
    show_summary = 1, out = True,
    runtime = True, run = True
)

[2]:

[2022-10-27 14:47:22] Неверные типы или значения аргументов в "Video.load_video_model_nn" ...

False

load_video_model_weights_deep_fe(url: str, force_reload: bool = True, out: bool = True, runtime: bool = True, run: bool = True) → bool

Загрузка весов нейросетевой модели для получения нейросетевых признаков

Параметры

• url (str) – Полный путь к файлу с весами нейросетевой модели

• force_reload (bool) – Принудительная загрузка файла с весами нейросетевой модели из сети

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если веса нейросетевой модели загружены, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_deep_fe(
    show_summary = False, out = True,
    runtime = True, run = True
)

[1]:

[2022-11-01 12:41:59] Формирование нейросетевой архитектуры для получения нейросетевых признаков (видео модальность) ...

--- Время выполнения: 1.306 сек. ---

True

In [2]:

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['fe']['sberdisk']

video.load_video_model_weights_deep_fe(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[2]:

[2022-11-01 12:42:51] Загрузка весов нейросетевой модели для получения нейросетевых признаков (видео модальность) ...

[2022-11-01 12:43:06] Загрузка файла "weights_2022-11-01_12-27-07.h5" (100.0%) ...

--- Время выполнения: 14.781 сек. ---

True

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['fe']['sberdisk']

video.load_video_model_weights_deep_fe(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[3]:

[2022-11-01 12:44:14] Загрузка весов нейросетевой модели для получения нейросетевых признаков (видео модальность) ...

[2022-11-01 12:44:28] Загрузка файла "weights_2022-11-01_12-27-07.h5" (100.0%) ...

[2022-11-01 12:44:28] Ой! Что-то пошло не так ... нейросетевая архитектура модели для получения нейросетевых признаков не сформирована (видео модальность) ...

--- Время выполнения: 13.926 сек. ---

False

load_video_model_weights_hc(url: str, force_reload: bool = True, out: bool = True, runtime: bool = True, run: bool = True) → bool

Загрузка весов нейросетевой модели для получения оценок по экспертным признакам

Параметры

• url (str) – Полный путь к файлу с весами нейросетевой модели

• force_reload (bool) – Принудительная загрузка файла с весами нейросетевой модели из сети

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если веса нейросетевой модели загружены, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_hc(
    show_summary = False, out = True,
    runtime = True, run = True
)

[1]:

[2022-10-27 12:55:31] Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам (видео модальность) ...

--- Время выполнения: 0.606 сек. ---

True

In [2]:

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['hc']['sberdisk']

video.load_video_model_weights_hc(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[2]:

[2022-10-27 13:08:04] Загрузка весов нейросетевой модели для получения оценок по экспертным признакам (видео модальность) ...

[2022-10-27 13:08:05] Загрузка файла "weights_2022-08-27_18-53-35.h5" (100.0%) ...

--- Время выполнения: 0.493 сек. ---

True

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['hc']['sberdisk']

video.load_video_model_weights_hc(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[3]:

[2022-10-27 13:09:54] Загрузка весов нейросетевой модели для получения оценок по экспертным признакам (видео модальность) ...

[2022-10-27 13:09:54] Загрузка файла "weights_2022-08-27_18-53-35.h5" (100.0%) ...

[2022-10-27 13:09:54] Ой! Что-то пошло не так ... нейросетевая архитектура модели для получения оценок по экспертным признакам не сформирована (видео модальность) ...

--- Время выполнения: 0.424 сек. ---

False

load_video_model_weights_nn(url: str, force_reload: bool = True, out: bool = True, runtime: bool = True, run: bool = True) → bool

Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам

Параметры

• url (str) – Полный путь к файлу с весами нейросетевой модели

• force_reload (bool) – Принудительная загрузка файла с весами нейросетевой модели из сети

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если веса нейросетевой модели загружены, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_nn(
    show_summary = False, out = True,
    runtime = True, run = True
)

[1]:

[2022-10-27 15:17:13] Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам (видео модальность) ...

--- Время выполнения: 1.991 сек. ---

True

In [2]:

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['nn']['sberdisk']

video.load_video_model_weights_nn(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[2]:

[2022-10-27 15:19:08] Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам (видео модальность) ...

[2022-10-27 15:19:11] Загрузка файла "weights_2022-03-22_16-31-48.h5" (100.0%) ...

--- Время выполнения: 3.423 сек. ---

True

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url = video.weights_for_big5_['video']['nn']['sberdisk']

video.load_video_model_weights_nn(
    url = url,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[3]:

[2022-10-27 15:19:40] Загрузка весов нейросетевой модели для получения оценок по нейросетевым признакам (видео модальность) ...

[2022-10-27 15:19:43] Загрузка файла "weights_2022-03-22_16-31-48.h5" (100.0%) ...

[2022-10-27 15:19:43] Ой! Что-то пошло не так ... нейросетевая архитектура модели для получения оценок по нейросетевым признакам не сформирована (видео модальность) ...

--- Время выполнения: 3.469 сек. ---

False

load_video_models_b5(show_summary: bool = False, out: bool = True, runtime: bool = True, run: bool = True) → bool

Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств

Параметры

• show_summary (bool) – Отображение последней сформированной нейросетевой архитектуры моделей

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если нейросетевые архитектуры модели сформированы, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_models_b5(
    show_summary = True, out = True,
    runtime = True, run = True
)

[1]:

[2022-11-04 15:29:26] Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств (видео модальность) ...

Model: "model_4"
_________________________________________________________________
 Layer (type)                Output Shape              Param #
=================================================================
 input_1 (InputLayer)        [(None, 32)]              0

 dense_1 (Dense)             (None, 1)                 33

 activ_1 (Activation)        (None, 1)                 0

=================================================================
Total params: 33
Trainable params: 33
Non-trainable params: 0
_________________________________________________________________
--- Время выполнения: 0.116 сек. ---

True

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()
video.load_video_models_b5(
    show_summary = 1, out = True,
    runtime = True, run = True
)

[2]:

[2022-11-04 15:30:15] Неверные типы или значения аргументов в "Video.load_video_models_b5" ...

False

load_video_models_weights_b5(url_openness: str, url_conscientiousness: str, url_extraversion: str, url_agreeableness: str, url_non_neuroticism: str, force_reload: bool = True, out: bool = True, runtime: bool = True, run: bool = True) → bool

Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств

Параметры

• url_openness (str) – Полный путь к файлу с весами нейросетевой модели (открытость опыту)

• url_conscientiousness (str) – Полный путь к файлу с весами нейросетевой модели (добросовестность)

• url_extraversion (str) – Полный путь к файлу с весами нейросетевой модели (экстраверсия)

• url_agreeableness (str) – Полный путь к файлу с весами нейросетевой модели (доброжелательность)

• url_non_neuroticism (str) – Полный путь к файлу с весами нейросетевой модели (эмоциональная стабильность)

• force_reload (bool) – Принудительная загрузка файлов с весами нейросетевых моделей из сети

• out (bool) – Отображение

• runtime (bool) – Подсчет времени выполнения

• run (bool) – Блокировка выполнения

Результат

True если веса нейросетевых моделей загружены, в обратном случае False

Тип результата

bool

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_models_b5(
    show_summary = False, out = True,
    runtime = True, run = True
)

[1]:

[2022-11-04 18:56:41] Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств (видео модальность) ...

--- Время выполнения: 0.117 сек. ---

True

In [2]:

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url_openness = video.weights_for_big5_['video']['b5']['openness']['sberdisk']
url_conscientiousness = video.weights_for_big5_['video']['b5']['conscientiousness']['sberdisk']
url_extraversion = video.weights_for_big5_['video']['b5']['extraversion']['sberdisk']
url_agreeableness = video.weights_for_big5_['video']['b5']['agreeableness']['sberdisk']
url_non_neuroticism = video.weights_for_big5_['video']['b5']['non_neuroticism']['sberdisk']

video.load_video_models_weights_b5(
    url_openness = url_openness,
    url_conscientiousness = url_conscientiousness,
    url_extraversion = url_extraversion,
    url_agreeableness = url_agreeableness,
    url_non_neuroticism = url_non_neuroticism,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[2]:

[2022-11-04 18:58:59] Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств (видео модальность) ...

[2022-11-04 18:59:00] Загрузка файла "weights_2022-06-15_16-46-30.h5" (100.0%) ... Открытость опыту

[2022-11-04 18:59:00] Загрузка файла "weights_2022-06-15_16-48-50.h5" (100.0%) ... Добросовестность

[2022-11-04 18:59:00] Загрузка файла "weights_2022-06-15_16-54-06.h5" (100.0%) ... Экстраверсия

[2022-11-04 18:59:01] Загрузка файла "weights_2022-06-15_17-02-03.h5" (100.0%) ... Доброжелательность

[2022-11-04 18:59:01] Загрузка файла "weights_2022-06-15_17-06-15.h5" (100.0%) ... Эмоциональная стабильность

--- Время выполнения: 1.827 сек. ---

True

Ошибка – 1 –

In [3]:

from oceanai.modules.lab.video import Video

video = Video()

video.path_to_save_ = './models'
video.chunk_size_ = 2000000

url_openness = video.weights_for_big5_['video']['b5']['openness']['sberdisk']
url_conscientiousness = video.weights_for_big5_['video']['b5']['conscientiousness']['sberdisk']
url_extraversion = video.weights_for_big5_['video']['b5']['extraversion']['sberdisk']
url_agreeableness = video.weights_for_big5_['video']['b5']['agreeableness']['sberdisk']
url_non_neuroticism = video.weights_for_big5_['video']['b5']['non_neuroticism']['sberdisk']

video.load_video_models_weights_b5(
    url_openness = url_openness,
    url_conscientiousness = url_conscientiousness,
    url_extraversion = url_extraversion,
    url_agreeableness = url_agreeableness,
    url_non_neuroticism = url_non_neuroticism,
    force_reload = True,
    out = True,
    runtime = True,
    run = True
)

[3]:

[2022-11-04 19:02:32] Загрузка весов нейросетевых моделей для получения результатов оценки персональных качеств (видео модальность) ...

[2022-11-04 19:02:32] Загрузка файла "weights_2022-06-15_16-46-30.h5" (100.0%) ...

[2022-11-04 19:02:32] Ой! Что-то пошло не так ... не удалось загрузить веса нейросетевой модели ... Открытость опыту

    Файл: /Users/dl/GitHub/oceanai/oceanai/modules/lab/video.py
    Линия: 2833
    Метод: load_video_models_weights_b5
    Тип ошибки: AttributeError

[2022-11-04 19:02:32] Загрузка файла "weights_2022-06-15_16-48-50.h5" (100.0%) ...

[2022-11-04 19:02:32] Ой! Что-то пошло не так ... не удалось загрузить веса нейросетевой модели ... Добросовестность

    Файл: /Users/dl/GitHub/oceanai/oceanai/modules/lab/video.py
    Линия: 2833
    Метод: load_video_models_weights_b5
    Тип ошибки: AttributeError

[2022-11-04 19:02:33] Загрузка файла "weights_2022-06-15_16-54-06.h5" (100.0%) ...

[2022-11-04 19:02:33] Ой! Что-то пошло не так ... не удалось загрузить веса нейросетевой модели ... Экстраверсия

    Файл: /Users/dl/GitHub/oceanai/oceanai/modules/lab/video.py
    Линия: 2833
    Метод: load_video_models_weights_b5
    Тип ошибки: AttributeError

[2022-11-04 19:02:33] Загрузка файла "weights_2022-06-15_17-02-03.h5" (100.0%) ...

[2022-11-04 19:02:33] Ой! Что-то пошло не так ... не удалось загрузить веса нейросетевой модели ... Доброжелательность

    Файл: /Users/dl/GitHub/oceanai/oceanai/modules/lab/video.py
    Линия: 2833
    Метод: load_video_models_weights_b5
    Тип ошибки: AttributeError

[2022-11-04 19:02:34] Загрузка файла "weights_2022-06-15_17-06-15.h5" (100.0%) ...

[2022-11-04 19:02:34] Ой! Что-то пошло не так ... не удалось загрузить веса нейросетевой модели ... Эмоциональная стабильность

    Файл: /Users/dl/GitHub/oceanai/oceanai/modules/lab/video.py
    Линия: 2833
    Метод: load_video_models_weights_b5
    Тип ошибки: AttributeError

--- Время выполнения: 1.831 сек. ---

False

property video_model_deep_fe_: Optional[Model]

Получение нейросетевой модели tf.keras.Model для получения нейросетевых признаков

Результат

Нейросетевая модель tf.keras.Model или None

Тип результата

Optional[tf.keras.Model]

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_deep_fe(
    show_summary = False, out = True,
    runtime = True, run = True
)

video.video_model_deep_fe_

[1]:

[2022-11-01 12:12:35] Формирование нейросетевой архитектуры для получения нейросетевых признаков (видео модальность) ...

--- Время выполнения: 1.468 сек. ---

<tf.keras.Model at 0x14e138100>

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video.video_model_deep_fe_

[2]:

property video_model_hc_: Optional[Model]

Получение нейросетевой модели tf.keras.Model для получения оценок по экспертным признакам

Результат

Нейросетевая модель tf.keras.Model или None

Тип результата

Optional[tf.keras.Model]

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_hc(
    show_summary = False, out = True,
    runtime = True, run = True
)

video.video_model_hc_

[1]:

[2022-10-26 12:37:42] Формирование нейросетевой архитектуры модели для получения оценок по экспертным признакам (видео модальность) ...

--- Время выполнения: 1.112 сек. ---

<tf.keras.Model at 0x1434eb1f0>

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video.video_model_hc_

[2]:

property video_model_nn_: Optional[Model]

Получение нейросетевой модели tf.keras.Model для получения оценок по нейросетевым признакам

Результат

Нейросетевая модель tf.keras.Model или None

Тип результата

Optional[tf.keras.Model]

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_model_nn(
    show_summary = False, out = True,
    runtime = True, run = True
)

video.video_model_nn_

[1]:

[2022-10-27 14:49:00] Формирование нейросетевой архитектуры для получения оценок по нейросетевым признакам (видео модальность) ...

--- Время выполнения: 1.986 сек. ---

<tf.keras.Model at 0x13d5295b0>

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video.video_model_nn_

[2]:

property video_models_b5_: Dict[str, Optional[Model]]

Получение нейросетевых моделей tf.keras.Model для получения результатов оценки персональных качеств

Результат

Словарь с нейросетевыми моделями tf.keras.Model

Тип результата

Dict

Примеры

Верно – 1 –

In [1]:

from oceanai.modules.lab.video import Video

video = Video()

video.load_video_models_b5(
    show_summary = False, out = True,
    runtime = True, run = True
)

video.video_models_b5_

[1]:

[2022-10-19 15:45:35] Формирование нейросетевых архитектур моделей для получения результатов оценки персональных качеств ...

--- Время выполнения: 0.07 сек. ---

{
    'openness': <tf.keras.Model at 0x1481e03a0>,
    'conscientiousness': <tf.keras.Model at 0x147d13520>,
    'extraversion': <tf.keras.Model at 0x1481edfa0>,
    'agreeableness': <tf.keras.Model at 0x1481cfc40>,
    'non_neuroticism': <tf.keras.Model at 0x1481cffd0>
}

Ошибка – 1 –

In [2]:

from oceanai.modules.lab.video import Video

video = Video()

video.video_models_b5_

[2]:

{
    'openness': None,
    'conscientiousness': None,
    'extraversion': None,
    'agreeableness': None,
    'non_neuroticism': None
}