按间隔抽帧#

1
import cv2
2
from pathlib import Path
3

4
video = cv2.VideoCapture("demo.mp4")
5
out_dir = Path("frames")
6
out_dir.mkdir(exist_ok=True)
7

8
frame_id = 0
9
saved = 0
10
while True:
11
    ok, frame = video.read()
12
    if not ok:
13
        break
14
    if frame_id % 30 == 0:
15
        cv2.imwrite(str(out_dir / f"frame_{frame_id:06d}.jpg"), frame)
16
        saved += 1
17
    frame_id += 1
18

19
print("frames", frame_id, "saved", saved)

命名要可追溯#

文件名最好包含视频名和帧号，例如 camera01_000300.jpg。以后发现某张图有问题，可以回到原视频定位。

抽帧后去重#

固定间隔抽帧仍然可能产生大量相似图。可以先按场景或时间段抽样查看，再决定是否需要感知哈希去重。

质量检查#

• 是否有黑屏、花屏、模糊帧。

• 目标是否足够清晰。

• 不同场景是否覆盖。

• 抽帧数量是否和标注人力匹配。

实战复盘#

把《视频抽帧处理笔记》用于真实视觉项目时，我会先做可视化抽查。图像任务里很多错误不会抛异常，例如颜色通道反了、检测框偏移、标签和图片不同步，但一张可视化结果就能暴露。

每个处理步骤都应该保存少量中间结果：原图、处理后图片、mask、绘制框图片或预测输出。不要只保存最终模型指标，因为指标无法告诉你是哪一步把数据处理坏了。

如果文章涉及批量处理，还要记录成功数量、失败数量和失败样本路径。视觉项目的数据量一大，没有失败清单就很难复查。

最小验收样例#

验收《视频抽帧处理笔记》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

视频抽帧要在覆盖场景和控制重复之间取平衡。命名可追溯、抽样检查清楚，后续标注才不会失控。