Используем ffmpeg, чтобы разбить видео на отдельные кадры (следующие с частотой 25 кадров в секунду), а затем обработаем каждый кадр с помощью скрипта визуализации. Создадим каталог для хранения кадров и передадим его имя команде ffmpeg: $ mkdir kitchen $ ffmpeg -i video/kitchen-input.mov -vf fps=25 kitchen/thumb%04d.jpg -hide_banner После этого запустим скрипт визуализации, передав ему путь к каталогу с кадрами, полученными на предыдущем шаге: $ python visualization.py --process video --path kitchen/ В результате появится новый каталог kitchen-output, содержащий тепловые карты для всех кадров в исходном каталоге kitchen. В заключение соберем видео из полученных изображений с помощью ffmpeg: $ ffmpeg -framerate 25 -i kitchen-output/result-%04d.jpg kitchen-output.mp4 Отлично! Теперь исходное видео расположено рядом с копией, на которую наложена тепловая карта. Этот полезный прием можно использовать, например, чтобы выяснить, насколько качественно обучилась модель и не обнаружила ли она случайные артефакты во время обучения.
Сотрудники Google Colab (рис. 1.14) любезно согласились предоставить вычислительное время мощных графических процессоров бесплатно (до 12 часов за раз).
Так, например, исследователи из лаборатории Keen Security Lab в компании Tencent воспользовались уязвимостью в Tesla AutoPilot, разместив на дороге небольшие наклейки и заставив автомобиль выехать на встречную полосу.
