在给定播放列表ID的情况下，搜索最多50个视频的ID（受API限制）。然后，我们可以开始下载视频了。
Pafy Python包用于下载可用的最高分辨率的视频。下载视频后，我们利用FFMPEG从每个视频中提取音频。
由于FFMPEG不支持python SDK，我们需要在shell中调用它。通过触发subprocess.call（）函数，可以执行参数中指定的shell命令。现在，已成功下载指定电视节目的视频和音频。
拆分视频
然后，我们将下载的视频拆分为运行OCR的帧。
只有中间60％的部分视频被分割成帧，因为第一部分和最后20％的部分可能包含开场或结尾的歌曲，不能用于语音识别。
同样，在子进程的shell中调用FFMPEG。分割视频的参数描述如下：
- ss：以秒为单位的开始时间
- t：以秒为单位分割视频的时间跨度
- r：采样率
采样率越高，预测的字幕时间跨度越准确。但是，需要在时间和准确性之间进行权衡。在这里，我把它设置为2。
训练和评估Mask-RCNN
现在，你已从每个视频中获得了帧。如果你在Google Vision API官方网站上试用一些图像进行OCR（）（文档文本检测，因为字幕是键入的字符）。就会发现结果并不令人满意，因为这些图像的背景非常复杂。
这是Mask-RCNN发挥作用的时候。Mask-RCNN是2017年发布的用于对象检测和实例分割的RCNN系列的一部分。它能够在像素级别进行分类。
Mask-RCNN演示（https://github.com/matterport/Mask_RCN
我们的目标是训练Mask-RCNN，以帮助我们识别哪些像素是字幕。
为了确保训练有素的模型足够广泛以适应各种视频，我从十几个电视剧和动画中下载视频。应用不同的字体大小，字体类型和字体垂直位置以丰富训练数据集。底部40％的图像被裁剪，以便我们确保在训练数据上手动添加的字幕不与原始字幕重叠。这也确保了非字幕部分来自高度相似的色彩空间分布。
