Comment détecter les changements de plan dans les vidéos à l'aide de Python

La détection des changements de plan est essentielle dans le traitement vidéo, où vous devez identifier à quel moment une scène passe à une autre.

Par exemple, lorsqu'un nouvel angle de caméra est utilisé ou qu'une scène fait des transitions, cela est considéré comme un changement de prise de vue. La détection de ces modifications facilite des tâches telles que le résumé vidéo, la segmentation de scènes, etc.

Dans ce didacticiel, nous expliquerons comment implémenter la détection des changements de tir à l'aide de Python et du API Eden AI. Cette API nous permet d'exécuter la détection des changements de plan en une seule requête, avec un minimum de code.

‍

Qu'est-ce que Détection de changement de prise de vue vidéo?

Détection de changement de prise de vue vidéo annote une vidéo avec des segments générés en détectant des changements brusques de plan dans la vidéo.

Ce processus permet de diviser la vidéo en sections distinctes, ce qui facilite son analyse et son montage.

‍

Comment détecter les changements de prise de vue dans les vidéos

‍

Accédez à l'API Eden AI

1. Inscrivez-vous : Visitez Eden AI et créez un compte gratuitement pour commencer. Une fois inscrit, accédez à la section API pour trouver votre clé API personnelle qui vous donne accès à un large éventail de services d'IA, y compris la détection des changements de tir.

2. Accédez à Technologies vidéo — Connectez-vous et rendez-vous dans la section Technologies vidéo.

3. Sélectionnez Shot Change Detection— À partir de là, sélectionnez Détection de changement de tir option, ou plongez dans des fonctionnalités plus avancées en fonction de vos besoins.

‍

Modèles de test en direct sur Eden AI

Eden AI fournit une plateforme sur laquelle vous pouvez tester différents modèles d'IA avant de les intégrer, ce qui vous permet d'évaluer et de sélectionner le fournisseur qui correspond le mieux à vos besoins.

‍

Implémentation de la détection des changements de tir en Python

‍

Étape 1 : Installation du module Python Requests

Avant de mettre en œuvre la solution, assurez-vous de disposer des Demandes bibliothèque installée en Python. Si vous ne l'avez pas déjà installé, vous pouvez le faire en exécutant :

pip install requests

Ce module est requis pour envoyer des requêtes HTTP à l'API Eden AI.

‍

Explication du code

La détection des changements de plan passe désormais par un LLM multimodal qui accepte la vidéo en entrée, appelé via l'endpoint de chat compatible OpenAI d'Eden AI. Elle se fait en deux étapes :

1. Envoi de la requête : vous envoyez l'URL de la vidéo, votre consigne et le format JSON attendu pour la réponse.
   
2. Lecture des résultats : les plans arrivent dans la même réponse, en JSON, sans tâche à interroger.
   

Une vidéo de 10 secondes est traitée en quelques secondes. Pour des vidéos longues, prévoyez un timeout large sur votre client HTTP.

‍

Phase de requête

Cette partie du code envoie la vidéo et la consigne à Eden AI.

import requests

# Replace with your actual API Key
headers = {"Authorization": "Bearer {API_KEY}"}

# The JSON format expected for the answer: one entry per shot
schema = {
    "type": "object",
    "properties": {
        "shots": {
            "type": "array",
            "items": {
                "type": "object",
                "properties": {
                    "start_time": {"type": "number"},
                    "end_time": {"type": "number"},
                    "description": {"type": "string"},
                },
                "required": ["start_time", "end_time", "description"],
            },
        }
    },
    "required": ["shots"],
}

# Replace with the actual URL of your video
json_payload = {
    "model": "google/gemini-2.5-flash",  # Any model that accepts video input
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "List every shot in this video. A new shot starts at each camera cut. Give start and end times in seconds."},
                {"type": "image_url", "image_url": {"url": "🔗 URL of your video"}},
            ],
        }
    ],
    "response_format": {"type": "json_schema", "json_schema": {"name": "shots", "schema": schema}},
}

# Eden AI's OpenAI-compatible chat endpoint
url = "https://api.edenai.run/v3/chat/completions"

# Send the POST request
response = requests.post(url, json=json_payload, headers=headers)

# Get the response and display it
result = response.json()
print(result)

Explication de la phase de requête :

• URL : nous utilisons l'endpoint compatible OpenAI d'Eden AI, https://api.edenai.run/v3/chat/completions.
  
• En-tête d'autorisation : l'en-tête Authorization contient votre clé d'API, qui est requise pour l'authentification avec l'API d'Eden AI.
  
• json_payload : contient les données de la requête :
  
  • model : le LLM multimodal à utiliser, au format provider/model. Il doit accepter la vidéo : vérifiez que video figure dans input_modalities sur https://api.edenai.run/v3/models (par exemple google/gemini-2.5-flash ou amazon/amazon.nova-2-lite-v1:0).
    
  • messages : votre consigne dans un bloc text, et l'URL publique de votre vidéo dans un bloc image_url.
    
  • response_format : le schéma JSON que la réponse doit suivre, ici une liste de plans avec leurs temps de début et de fin et une courte description.
    

Le résultat arrive dans la même réponse HTTP : il n'y a pas de tâche à suivre.

‍

Phase de lecture (résultats)

Cette partie du code lit les plans dans le résultat de l'étape précédente.

import json

# The shots are in the model's answer, as a JSON string
shots = json.loads(result["choices"][0]["message"]["content"])["shots"]
for i, shot in enumerate(shots, 1):
    print(f'Shot {i}: {shot["start_time"]}s to {shot["end_time"]}s, {shot["description"]}')

print("Cost:", result["cost"], "USD")

Explication de la phase de lecture :

• json.loads : la réponse du modèle, dans choices[0].message.content, est une chaîne JSON qui suit votre schéma ; elle est convertie en dictionnaire Python.
  
• Boucle : affiche chaque plan avec son début, sa fin et sa description.
  
• cost : le coût de la requête, en dollars.

‍

Interprétation des résultats

La réponse du modèle, lue dans choices[0].message.content, contient :

• shots : la liste des plans détectés, chacun avec son début et sa fin en secondes et une courte description.
  
  

La réponse complète indique aussi le status de la requête, son cost et le provider qui l'a traitée.

Exemple de sortie :

{
  "shots": [
    {"start_time": 0.0, "end_time": 1.76, "description": "A red-haired woman sits in a snowy, desolate landscape, looking up with a worried expression as snow falls."},
    {"start_time": 1.76, "end_time": 2.13, "description": "An overhead shot shows the red-haired woman running across a snowy field."},
    {"start_time": 2.13, "end_time": 3.2, "description": "A close-up of a large, muscular man's arm and torso as he runs towards the camera, his hand extended."},
    ...
  ]
}

shots : voici les plans détectés. Par exemple, le premier plan commence à 0 s et se termine à 1,76 s, quand la caméra passe à une vue en plongée. Les temps sont estimés par le modèle : vérifiez-les sur quelques-unes de vos vidéos avant de vous y fier en production.

‍

Gestion de vos fichiers vidéo

‍

Pour analyser une vidéo stockée sur votre machine, envoyez-la d'abord avec POST https://api.edenai.run/v3/upload, puis utilisez un bloc file avec le file_id renvoyé à la place du bloc image_url. Eden AI propose des endpoints facultatifs pour gérer ces fichiers :

Fichiers vidéo - Répertorier les fichiers

Demande GET :
https://api.edenai.run/v3/upload
Cela répertorie les fichiers que vous avez envoyés, avec leur file_id et leur date d'expiration.

Fichiers vidéo - Supprimer des fichiers

Demande POST :
https://api.edenai.run/v3/upload/delete
Envoyez dans le champ file_ids la liste des fichiers dont vous n'avez plus besoin pour les supprimer.

‍

Pourquoi Eden AI est le meilleur outil pour la détection des changements de tir

Eden AI propose une solution robuste de détection des changements de tir présentant plusieurs avantages.

‍

Plusieurs options de fournisseurs

Eden AI propose une sélection de fournisseurs d'IA, vous offrant la flexibilité nécessaire pour détecter les deepfakes à l'aide de différents modèles.

Haute précision

‍Les modèles de détection des changements de tir utilisés par Eden AI sont entraînés sur de vastes ensembles de données et conçus pour fournir des résultats fiables.

Facilité d'intégration

Eden AI simplifie l'intégration de la détection des changements de tir dans vos applications grâce à des exemples de code Python clairs et simples.

Sécurité et confiance

‍La plateforme Eden AI donne la priorité à la sécurité et à la confidentialité des données, garantissant ainsi une gestion sécurisée des données relatives à vos images.

‍

Conclusion

Dans ce guide, nous avons appris à détecter les changements de plan dans les vidéos à l'aide de Python et de l'API de détection des changements de plan d'Eden AI.

En envoyant la vidéo et le format JSON attendu dans une seule requête, nous pouvons facilement automatiser le processus de détection des changements de plan sans avoir à gérer différents modèles ou plateformes d'IA.

Grâce à l'API facile à intégrer d'Eden AI, vous pouvez rationaliser les flux de travail de traitement vidéo et vous concentrer davantage sur des tâches créatives et percutantes.

Questions fréquentes sur la détection de les changements de plan dans les vidéos à l'aide de Python