视频文件大小计算方法(终极篇附实例)

本文详细介绍了视频文件大小的计算公式,包括音频和视频码率的计算方式,并提供了多个实例帮助理解。通过公式:(音频码率+视频码率)x时长/8,可以预估不同分辨率和时长的视频存储所需空间。

图片原创 / 阿酷TONY / 2018-12-13

  • 视频文件大小计算方法(终极篇附实例)
  • 预估视频存储所需空间
  • 为视频服务器所需容量大小提供参考数值

视频文件大小的计算

酷播云视频文件计算大小

视频文件大小计算公式:(音频码率+视频码率) x 时长 / 8

 

1Mbps=1024Kbps=1024/8KBps=128KB/s

公式:(音频码率+视频码率) x 时长 / 8
音频码率:128(kbps)
视频码率:1824 (kbps)
总时长:4*60+13 (秒)
得出:((1824+128)/1024)*(4*60+13)/8 = 60.28515625 M
计算得出的值,与视频文件本身的大小59M,基本上对得上。

 

以10分钟时长为例:

(以10分钟为例做的一个预估,仅供参考,不一定准确)

标清640x360:((400+128)/1024)*600/8 = 38.671875 M
高清960x540:((900+128)/1024)*600/8 = 75.29296875 M
超清1280x720:((1500+128)/1024)*600/8= 119.23828125 M

 

以下为引用Wanna Fly的例子:

如果一个视频的视频码率为3Mbps, 音频码率为512Kbps,  时长90分钟(5400秒), 那么整个视频文件的大小就是:

(512/1024 + 3) x 5400 / 8 = 2362MB

相反,如果一个视频文件大小有10GB,时长为90分钟(5400秒), 那么它的码率(视频+音频)为:

10 x 1024 x 8 / 5400 = 15Mbps

 

我的视频应用类原创文章:

### 使用YOLOv8训练模型的方法 #### 准备工作 在开始之前,确保已安装 Ultralytics 庢 的 YOLOv8 库。可以通过 pip 命令轻松完成安装: ```bash pip install ultralytics ``` #### 加载预训练模型 加载一个预训练权重作为起点通常是最佳实践之一。这可以是一个官方发布的通用模型或者是先前自己训练过的特定领域模型。例如,要初始化一个小规模版本的 YOLOv8 模型,可执行如下命令: ```python from ultralytics import YOLO model = YOLO('yolov8n.pt') # 小型预训练模型 [^1] ``` 这里的 `'yolov8n.pt'` 表示使用的是轻级网络架构的小型版预训练权重文件;如果本地不存在该文件,它会被自动下载到默认缓存目录。 #### 配置数据集 YOLOv8 支持 COCO、VOC 等标准格式的数据集外加自定义格式的支持。假设有一个名为 `dataset.yaml` 的 YAML 文件描述了我们的数据布局,内容大致如下所示: ```yaml train: ../datasets/train/images/ val: ../datasets/valid/images/ nc: 2 # 类别数 names: ['person', 'bicycle'] # 各类别的名字 ``` 这个例子指定了两个类别——人和自行车,并分别给出了训练集与验证集所在的位置。 #### 开始训练过程 一旦准备好以上组件之后就可以调用 train 方法启动整个流程啦!下面展示了一个简单的案例设置: ```python results = model.train( data='path/to/dataset.yaml', epochs=100, imgsz=640, batch=-1, # 自动选择合适的批次大小 device=[0], # GPU ID 列表 或者 cpu 关键字 name="experiment_name", patience=50 ) ``` 在这里设置了几个重要参数:指定使用的数据源路径、迭代次数上限(epoch)、输入图片分辨率尺寸(imgsz),还有就是运行设备的选择等选项[^3]。 #### 测试评估性能 当训练完成后,我们可以利用测试集合进一步检验新得到的最佳模型表现如何。继续沿用前面创建的对象实例即可方便快捷地获取预测结果。 ```python metrics = model.val() print(metrics.box.map) # 打印 mAP@0.5:0.95 数值 ``` #### 推理应用阶段 最后,在实际部署环境中运用所学知识解决问题才是终极目的嘛~所以不妨试试看吧!只需简单几行代码就能让计算机学会识别物体哦~ ```python if __name__ == '__main__': from PIL import Image source_image = r"path\to\target_image.jpg" result = model(source_image)[0].plot() # 绘制边框于原始图之上返回新的PIL.Image对象 result.save("output_detected_result.png") ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值