YouTube-8M 数据集简介

来源：互联网发布：jquery 创建对象数组编辑：程序博客网时间：2024/04/30 15:51

Preface

Google 公布了一个大型的视频数据集：YouTube-8M 视频数据集（项目主页地址），这个数据集的 Technical Report 在 arXiv 上也挂出来了：YouTube-8M: A Large-Scale Video Classification Benchmark。

本文是对 Google 对这个数据集介绍的博文：Announcing YouTube-8M: A Large and Diverse Labeled Video Dataset for Video Understanding Research 的一个总结归纳，

这个数据集包含 8,000,000 万个 YouTube 视频链接，这些视频集进行了 video-level（视频层级）的标注，标注为 4800 种 Knowledge Graph entities（知识图谱实体）。

这次公布的 YouTube-8M 数据集相比较于之前公布的数据集：YouTube-1M，又是一次的大提升。之前的 YouTube-1M 是包含 500 种体育项目的 YouTube 视频数据集，包含 1,000,000 个视频链接。

这个的数据集的特点如下：

为了保证数据集的质量，在选取视频时，做了一些限制：

数据集中视频超过了 5000 个小时，一般需要 1PB（1PB=1024TB）的硬盘来存储，同时一般也需要 50 CPU-years 来处理这个视频。

所以为了减小存储开销与计算时间开销，Google 提供了 pre-computed and compressed features，这样的话就可以在单台机子上一天内完成模型的训练。

同时，已经用在 ImageNet 上训练得到的 Inception-V3 image annotation model 提取了这些视频的 frame-level、video-level 特征。

这些特征是从 1.9 Billion 视频帧中，以每秒 1 帧的时间分辨率进行提取的。之后进行了 PCA 降维处理，是最后的特征能够存储在一张硬盘中（小于 1.5T）。

这些视频被标注的 annotation vocabulary 包含 4800 个 Knowledge Graph entities（知识图谱实体）。

每一个 entity 至少有 120 个训练视频，平均每个 entity 有 2229 个训练视频。annotation 的定义方式参照 YouTube Data API。

其中最多的一个 entity 是 Vehicle，超过了 500K 个训练视频；拥有最少视频的 entity 是 Somersault，只有 120 个视频。

4800 个 entity 被分为 24 种 frequent，最高 frequent 的是 Arts & Entertainment，超过 2,800,000 个训练视频。最少 frequent 是 Finance，小于 14,000 个训练视频。

这里，所谓的 24 top-level verticals，详情可以参考 Youtube-8M 主页中的这个 Explore 页面：dataset browser，如下图：

具体的，如 Arts & Entertainment 这类，其 Entity 如下：

另外，关于数据集的具体的 labels，其归属的 Vertical，对应的 KnowledgeGraphID，可以参加这个 CSV 文件：train-labels-histogram：

每个视频平均有 1.8 个 labels，这些 ground truth labels 来自于 Youtube data API，根据视频的 content、metadata、contextual、user signals 对每个视频进行 annotation。

每个视频的 label 个数从 1 到 39，平均每个视频有 1.8 个 labels。大约有 60% 到 80% 的视频，其 labels 个数在 2～3 个。

上面只是我对这个数据集的一点翻译式的记录描述，使用时具体的详情，请参见 Google 对这份 YouTube-8M 的 Technical Report: YouTube-8M: A Large-Scale Video Classification Benchmark

2 0