百度360必应搜狗淘宝本站头条
python判断字典是否为空crontab每周一执行aes和des区别安装指定版本npmadb pull
当前位置：网站首页 > IT知识 > 正文

闲鱼内容视频化展示方案(超全面)（闲鱼产品视频）

liuian 2025-05-08 02:45 5 浏览

背景

移动互联网是随着移动通信技术的迭代和发展的，每一次迭代都会给人们生活带来巨大的改变。
1G网络，让人 们用上了手机；
2G网络，让人们能够通过手机上网；
3G网络，促使移动互联网飞速发展；
4G网络，直播和短视频出现爆发式增长。
短视频的出现不仅是内容展示形式的变化，创作者通过剪辑和特效使内容更丰富、生动，给受众提供了更优质的用户体验。
闲鱼是C2C场景，普通用户发布视频宝贝比例不高。如何内容视频化，提升浏览体验，闲鱼给出了解决方案。
闲鱼不是短视频
将图片合成短视频，是我们最先想到的方案。思考后，发现其中存在一些问题：
o引导用户视频合成，会影响发布成功率
弱引导，起不到作用，达不到预期。强引导，会打断发布链路，影响发布成功率。
闲鱼之所以能够成为行业的No.1，是因为闲鱼有一个庞大的商品池，新发商品数量是闲鱼生态的基石。闲鱼一直提倡轻发布，小白用户可以在闲鱼上轻松发布商品。我们的目标是：把简单留给用户，把复杂交给自己。
o云端异步生成视频
用户商品发布成功后，在云端生成视频，然后给用户推一个Push消息，询问用户是否应用该视频。问题是，用户可能收不到Push消息，可能不采用生成的视频，白白浪费了服务资源。
o存量商品问题
因为无法解决存量商品问题，是我不采用合成视频的主要原因。闲鱼的新发商品对比整个商品池，占比毕竟很小。只处理新发商品，无法解决大量商品的问题。
图片合成视频有如上诸多问题。我们给出的方案是“基于动效模板的图片动态展示方案”。

Chaplin项目

电影是从无声电影开始的，无声电影以 Charlie Chaplin（查理·卓别林）最为代表。他不但推动了电影历史的发展，更代表了一个时代。希望通过Chaplin项目推动闲鱼整体内容视频化的发展。
Chaplin项目，启发源于视频编辑器。在视频编辑阶段，可以通过各种特效使内容更丰富、生动。我们将素材与特效进行分离，最终将整个编辑过程抽象成模板。展示时，再将不同的素材与模板进行合并，实现视频播放的效果。

演示

设计

Chaplin项目业务落地方案：

o模板创作
模板编辑器主要参考通用视频编辑器，为设计师提供一个可视化的创作工具。特效库是可扩展的，酷炫特效主要是开发同学通过编写OpenGL Shader实现的。因为OpenGL是标准库，所以可以实现编辑器和客户端的一致性。
资源管理平台主要依托于集团的纵横平台（素材管理中心），实现音乐库、特效库、模板库的管理。其中，模板支持特征打标和播放控制。因为模板是要下发到客户端的，所以必须有完整的线上发布流程，线上要与预发隔离。
o客户端
模板获取是增量同步的，需要实现本地模板库管理，以及Shader和素材资源管理。
模板推荐引擎基于业务场景，通过对商品和内容的理解，以及对图片主体和色域的分析，实现对用户的个性化推荐。并且通过疲劳度和曝光量配置，实现模板打散展示。
动态展示（播放），首现需要将素材与模板进行合成，合成后的播放源是基于时间线的非线性播放序列。播放过程是按时间线实时合成和渲染的。视觉的合成，双端都是基于OpenGL。iOS的音频合成是基于AVMutableAudioMix（AVFoundation）；Android没有音频合成过程，是混音播放。

循环模板

在业务落地的过程中，播放素材的个数是不确定的，所以设计了循环模板。
循环模板的收益还是比较明显的：
（1）大大减少了模板文件个数，一样的视觉不需要设计多个模板；
（2）大大降低了模板文件大小，使模板文件下载更快。
设计之初，有2套循环模板方案：
（1）素材与模板合成时处理；
（2）让播放器支持循环配置。
考虑到子模块独立、纯粹性，降低模块耦合度，所以抽象了素材与模板的合成模块。
循环模板的设计是为了解决业务中的不确定性，所以设计上不但要考虑协议的扩展性，还需要对不确定性进行抽象：

o播放协议
o以图片开始；
o以图片结尾；
o两个图片之间必须有转场节点，转场时间可以为零。
o循环模板的头尾设计
o必须以图片节点开始；
o可以是图片结尾；
o可以是转场结尾。
o循环部分与非循环部分的定义
o所有节点支持once（只执行一次），第二次执行将跳过该节点；
o跳过节点后，如果出现相邻同类型节点，将再次跳过节点。
播放线程
整个播放过程还是比较复杂的，事件和数据会在不同线程之间传递。本来也不想搞这么多线程，可是如果不异步处理就会出现堵塞和卡顿问题。

o播放控制操作队列

播放器是强依赖状态机的，锁操作会有卡顿（Stop操作会释放线程等其它资源），所以选择了异步操作队列。
oGL渲染线程
因为是多轨播放，所以需要实时渲染合成，合成后再上屏。
o资源加载线程
资源加载是I/O操作，会比较耗时（特别是字体和大的图片）。图片是先通过资源加载线程加载到内存的，然后在GL渲染线程把图片转成纹理，再渲染。
oUI刷新线程
当前设置的刷新率是30FPS，也就是所有加载合成操作要在30ms内完成，否则会出现卡顿的现象。

多轨播放

多轨播放（也叫非线性播放），需要将多轨的内容实时合成并渲染上屏。
PS：加载资源或者合成慢了就会出现播放卡顿，所以做了资源预加载，纹理预处理等操作。

模板协议

OpenGL 顶点坐标范围是[-1.0，1.0]，纹理坐标范围是[0.0，1.0]。为了开发方便做了坐标统一，协议中所有坐标范围均是[0.0，1.0]，会在底层做转换。
所有特效均是云端实现。遵循shader节点协议，包括：vertexURL、fragmentURL、uniforms。其中
举例：
o素材（图片）
{
"name":"放大",
"type":"image",
"duration":2.0,
"shader":{
"vertexURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV2/ImageEffect_Move2_V2/ImageEffect_Move2_V2.vert",
"fragmentURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV2/ImageEffect_Move2_V2/ImageEffect_Move2_V2.frag",
"uniforms":{
"u_FirstScaleBegin":1.00,
"u_FirstScaleRange":0.04,
"u_FirstMoveBeginX":0.00,
"u_FirstMoveRangeX":0.00,
"u_FirstMoveBeginY":0.00,
"u_FirstMoveRangeY":0.00
 }
 }
}
o转场
{
 "name":"溶解",
 "type":"transition",
 "duration":0.5,
 "shader":{
"vertexURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV2/TransitionEffect_Mix2_V2/TransitionEffect_Mix2_V2.vert",
"fragmentURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV2/TransitionEffect_Mix2_V2/TransitionEffect_Mix2_V2.frag",
"uniforms":{
"u_FirstScaleBegin":1.04,
"u_FirstScaleRange":0.01,
"u_SecondScaleBegin":1.00,
"u_SecondScaleRange":0.01,
"u_FirstMoveBeginX":0.00,
"u_FirstMoveRangeX":0.00,
"u_FirstMoveBeginY":0.00,
"u_FirstMoveRangeY":0.00,
"u_SecondMoveBeginX":0.00,
"u_SecondMoveRangeX":0.00,
"u_SecondMoveBeginY":0.00,
"u_SecondMoveRangeY":0.00
 }
 }
}
o贴纸
"tracks":[
 {
"type":"ShaderTrack",
"list":[
 {
"type":"PopImage",
"position":0,
"duration":3600,
"data":{

 },
"shader":{
"vertexURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV3/PopImage/PopImageV3.vert",
"fragmentURL":"https://xianyu-chaplin-bucket.oss-cn-beijing.aliyuncs.com/ShaderV3/PopImage/PopImageV3.frag",
"vertexCoordinatesName":"a_Position",
"vertexCoordinatesValue":{
"x":0,
"y":0,
"width":1,
"height":1,
"rect":{
"top":"8dp",
"right":"8dp",
"width":"60dp",
"height":"24dp"
 }
 },
"images":[
 {
"textureCoordinatesName":"a_FirstTexCoord",
"textureCoordinatesValue":{
"x":0,
"y":0,
"width":1,
"height":1
 },
"textureName":"u_FirstTexture",
"imageURL":"https://gw.alicdn.com/tfs/TB1QOt3nIVl614jSZKPXXaGjpXa-120-48.png"
 }
 ],
"uniforms":{
"u_MoveX":0,
"u_MoveY":0,
"u_VertexScaleBegin":1,
"u_VertexScaleRange":0
 }
 }
 }

 ]
 }
 ]
总结与展望
随着短视频的流行，如何推动内容视频化，闲鱼给出了新的解决方案。本文也说明了为什么不采用图片合成视频的原因。具体介绍了如何通过动效模板实现图片内容的播放展示，打破了图片合成视频的局限性。
虽然方案已经上线运行，但还有些想法没有实现。
o智能创建模板
单一的模板会让用户产生疲劳，所以模板生产要有持续性。当前模板生产依赖设计师创作、开发写特效，成本较高。业界也有一些智能创作方案，后面会考虑如何结合。
o智能识别与特效的结合
实时识别主体区域，并针对主体区域做特效处理。比如当前有一个逐渐放大的转场特效，理想应该是以主体区域为中心放大，而不是图片中心点放大。当前素材是顺序播放的，可以加入智能排序。
o场景扩展
当前方案还主要应用在展示场景，后面会考虑应用到UGC生产场景。


相关推荐

深入解析 MySQL 8.0 JSON 相关函数:解锁数据存储的无限可能

引言在现代应用程序中，数据的存储和处理变得愈发复杂多样。MySQL8.0引入了丰富的JSON相关函数，为我们提供了更灵活的数据存储和检索方式。本文将深入探讨MySQL8.0中的JSON...

MySQL的Json类型个人用法详解（mysql json类型对应java什么类型）

前言虽然MySQL很早就添加了Json类型，但是在业务开发过程中还是很少设计带这种类型的表。少不代表没有，当真正要对Json类型进行特定查询，修改，插入和优化等操作时，却感觉一下子想不起那些函数怎么使...

MySQL的json查询之json_array（mysql json_search）

json_array顾名思义就是创建一个数组，实际的用法，我目前没有想到很好的使用场景。使用官方的例子说明一下吧。例一selectjson_array(1,2,3,4);json_array虽然单独...

头条创作挑战赛#一、LSTM 原理 长短期记忆网络

#头条创作挑战赛#一、LSTM原理长短期记忆网络（LongShort-TermMemory，LSTM）是一种特殊类型的循环神经网络（RNN），旨在解决传统RNN在处理长序列数据时面临的梯度...

TensorBoard最全使用教程:看这篇就够了

机器学习通常涉及在训练期间可视化和度量模型的性能。有许多工具可用于此任务。在本文中，我们将重点介绍TensorFlow的开源工具套件，称为TensorBoard，虽然他是TensorFlow...

图神经网络版本的Kolmogorov Arnold(KAN)代码实现和效果对比

本文约4600字，建议阅读10分钟本文介绍了图神经网络版本的对比。KolmogorovArnoldNetworks(KAN)最近作为MLP的替代而流行起来，KANs使用Kolmogorov-Ar...

kornia，一个实用的 Python 库!（python kkb_tools）

大家好，今天为大家分享一个实用的Python库-kornia。Github地址：https://github.com/kornia/kornia/Kornia是一个基于PyTorch的开源计算...

图像分割掩码标注转YOLO多边形标注

Ultralytics团队付出了巨大的努力，使创建自定义YOLO模型变得非常容易。但是，处理大型数据集仍然很痛苦。训练yolo分割模型需要数据集具有其特定格式，这可能与你从大型数据集中获得的...

[python] 向量检索库Faiss使用指北

Faiss是一个由facebook开发以用于高效相似性搜索和密集向量聚类的库。它能够在任意大小的向量集中进行搜索。它还包含用于评估和参数调整的支持代码。Faiss是用C++编写的，带有Python的完...

如何把未量化的 70B 大模型加载到笔记本电脑上运行?

并行运行70B大模型我们已经看到，量化已经成为在低端GPU（比如Colab、Kaggle等）上加载大型语言模型（LLMs）的最常见方法了，但这会降低准确性并增加幻觉现象。那如果你和你的朋友们...

ncnn+PPYOLOv2首次结合!全网最详细代码解读来了

编辑：好困LRS【新智元导读】今天给大家安利一个宝藏仓库miemiedetection，该仓库集合了PPYOLO、PPYOLOv2、PPYOLOE三个算法pytorch实现三合一，其中的PPYOL...

人工智能——图像识别（人工智能图像识别流程）

概述图像识别（ImageRecognition）是计算机视觉的核心任务之一，旨在通过算法让计算机理解图像内容，包括分类（识别物体类别）、检测（定位并识别多个物体）、分割（像素级识别）等，常见的应用场...

PyTorch 深度学习实战(15):Twin Delayed DDPG (TD3) 算法

在上一篇文章中，我们介绍了DeepDeterministicPolicyGradient(DDPG)算法，并使用它解决了Pendulum问题。本文将深入探讨TwinDelayed...

大模型中常用的注意力机制GQA详解以及Pytorch代码实现

分组查询注意力(GroupedQueryAttention)是一种在大型语言模型中的多查询注意力(MQA)和多头注意力(MHA)之间进行插值的方法，它的目标是在保持MQA速度的同时...

pytorch如何快速创建具有特殊意思的tensor张量?

专栏推荐正文我们通过值可以看到torch.empty并没有进行初始化创建tensor并进行随机初始化操作，常用rand/rand_like,randint正态分布（0，1）指定正态分布的均值还有方差i...

一周热门
最近发表
标签列表