✂️🎬 Transition Detect

简介

• 🎬 智能转场检测：使用 TransNetV2 深度学习模型自动检测视频中的场景转换点
• ✂️ 自动视频分割：根据检测到的转场点自动将视频分割成多个场景片段
• 🚀 易于使用：提供命令行工具和 Python API 两种使用方式
• 💾 自动模型下载：首次使用时自动下载预训练模型
• 🖥️ GPU/CPU 支持：支持 CPU 和 GPU 推理，可根据环境自动选择

安装

从 PyPI 安装

pip install transition_detect

从源码安装

git clone https://github.com/SWHL/TransitionDetect.git
cd TransitionDetect
pip install -e .

依赖要求

• Python >= 3.6
• PyTorch
• ffmpeg-python
• 其他依赖见 requirements.txt

注意：使用前请确保系统已安装 FFmpeg。

使用方法

命令行使用

transition_detect <视频路径> [--save_clips_dir <输出目录>]

参数说明：

• 视频路径：要处理的视频文件路径（必需）
• --save_clips_dir：保存分割后视频片段的目录（可选）

示例：

# 仅检测转场点，不保存视频片段
transition_detect video.mp4

# 检测转场点并保存分割后的视频片段
transition_detect video.mp4 --save_clips_dir ./outputs

Python API 使用

from pathlib import Path
from transition_detect.transnetv2 import TransNetV2Inference

# 初始化模型（pypi安装时，自带模型）
model = TransNetV2Inference()

# 检测转场点（不保存视频片段）
video_path = "video.mp4"
result = model(video_path)
print(result.scenes)  # 转场点列表
print(result.predictions)  # 预测结果

# 检测转场点并保存分割后的视频片段
output_dir = Path("outputs")
result = model(video_path, save_video_clips_dir=output_dir)

返回结果说明：

• scenes：转场点列表，格式为 [[start_frame, end_frame], ...]
• predictions：每帧的预测结果

使用 GPU

# 指定 GPU ID（例如使用 GPU 0）
model = TransNetV2Inference(gpu_id=0)

示例

查看 demo.py 文件了解完整的使用示例：

from pathlib import Path
from transition_detect.transnetv2 import TransNetV2Inference

model = TransNetV2Inference()

video_path = "tests/test_files/demo.mp4"
result = model(video_path, save_video_clips_dir="outputs")

print("检测到的场景数量:", len(result.scenes))
print("场景列表:", result.scenes)

项目结构

TransitionDetect/
├── transition_detect/          # 主包目录
│   ├── main.py                 # 命令行入口
│   ├── config.yaml             # 配置文件
│   ├── transnetv2/             # TransNetV2 模型实现
│   │   ├── main.py             # 推理接口
│   │   ├── network.py          # 网络结构
│   │   └── typings.py         # 类型定义
│   └── utils/                  # 工具函数
│       ├── config.py           # 配置加载
│       ├── download_file.py    # 文件下载
│       ├── logger.py           # 日志工具
│       └── utils.py            # 通用工具
├── tests/                      # 测试文件
├── docs/                       # 文档
├── requirements.txt            # 依赖列表
└── setup.py                   # 安装配置

许可证

Apache-2.0 License

贡献者

参考链接

• TransNetV2
• transnetv2-pytorch

致谢

本项目基于 TransNetV2 模型实现，感谢原作者的贡献。