Rust භාෂාව භාවිතා කරමින් AI මොඩලයක් සඳහා වීඩියෝ දත්ත ලබා දීමට අවශ්ය නම්, ප්රථමයෙන් කරවිය යුතු වැඩේ වන්නේ ෆ්රේම් ලබා ගැනීමයි. මෙයට පෙර, වැඩිහිටියන් අතර ජනප්රිය වූ දෙවල් දෙකක් – ffmpeg CLI භාවිතා කර PNG ගොනුවක් සුරකින්න හෝ libav වල අඩු‑මට්ටමේ බයින්ඩින්ස් භාවිතා කර අතෙන් decode ලූපයක් ලියන්න – දැඩි කාර්යභාරයක් විය.
මෙම ගැටලුවට නව විසඳුමක් ලෙස ez‑ffmpeg 0.15 නවතම FrameExtractor හඳුන්වා දී ඇත. එකම කෝඩ් ලයිනයකින්, ඒම ප්රොසෙස් එක තුළම, RGB24 බයිට් අරේ එකක් ලෙස ෆ්රේම් ලබා ගත හැකි අතර, ndarray හෝ Tensorflow වැනි ගැඹුරු ඉගෙනුම් ලයිබ්රරී වලට සූදානම් වේ. තවත් වැදගත් කරුණක් නම්, මෙම ක්රමය YUV→RGB පරිවර්තනයේදී HD වීඩියෝ සඳහා නිවැරදි BT.709 සූත්රය භාවිතා කරයි, එනිසා පැහැයන් වැරදි නොවීමේ ගැටළුව දුරු වේ.
උදාහරණයක් ලෙස, FrameExtractor::new("input.mp4") කියා පාරමිතියක් දෙන්න, Sampling::UniformN(32) මඟින් 32 ෆ්රේම් සමාන අන්තර්ගතයෙන් ලබා ගන්න, පසුබැසීමේ පළල 224px ලෙස සකසා, collect_frames() මඟින් Vec<VideoFrame> එකක් ලබා ගත හැක. සෑම ෆ්රේම් එකක්ම as_bytes() මගින් පේළි‑පෙළ ගොඩනැගූ RGB24 බයිට් අරේ එකක් ලෙස ලැබේ, එය තවදුරටත් පූර්ණ‑දත්ත විශ්ලේෂණයක් සඳහා පාවිච්චි කළ හැක.
ශ්රී ලංකාවට ඇති වැදගත්කම
ශ්රී ලංකාවේ විශ්වවිද්යාල සිසුන්, AI පර්යේෂකයින්, සහ තාක්ෂණ ආරම්භකයන් සඳහා මේ නවතම ක්රමය විශාල වාසියක් ගෙනදෙයි:
- වේගවත් සංවර්ධනය: CLI හෝ අතේ decode ලූපයක් ලියන අවශ්යතාව අඩුවීම නිසා පරිඝණක කාලය ඉතිරි වේ.
- වඩාත් නිවැරදි වර්ණය: BT.709 පරිවර්තනය නිසා වීඩියෝ තීරුවේ රතු හා කොළ පැහැයන් වඩාත් සත්ය ලෙස පෙනේ, AI මොඩලයන්ට දත්ත ගුණාත්මකත්වය වැඩි කරයි.
- ඉගෙනුම් පරිසරය සරල කිරීම: Rust සමඟ ffmpeg‑next බයින්ඩින්ස් ස්ථාපනය කිරීමෙන් පසු, කේතයක් තුළම සියලුම පියවර සම්පූර්ණයෙන්ම සකස් කරගත හැකි බැවින්, නවක සංවර්ධකයන්ට ඉගෙනීමට පහසු වේ.
ඉදිරියට, මේ ක්රමය මගින් ශ්රී ලංකාවේ AI ආශ්රිත ව්යාපාරයන්ට වීඩියෝ-අදාල දත්ත සකස් කිරීමේ පිරිවැය අඩු කර, තරඟකාරීත්වය වැඩි කරයි.
අවසන් වශයෙන්, ez‑ffmpeg 0.15 හි FrameExtractor මගින් Rust සංවර්ධකයන්ට වීඩියෝ ෆ්රේම් ලබා ගැනීමේ ක්රියාවලිය තවත් සරල, වේගවත්, සහ නිවැරදි කරයි. ඔබේ ඊළඟ AI මොඩලය සඳහා මේ ක්රමය අත්හදා බලන්න.
