In questo articolo Indice dei contenuti 2 sezioni
Valutare la qualità di un video compresso è molto più complicato di quanto sembri, e Netflix VMAF nasce proprio per affrontare questo problema. Si tratta di un progetto open source che misura la resa visiva dei filmati attraverso un algoritmo pensato per avvicinarsi il più possibile alla percezione umana. L’obiettivo è molto concreto e consiste nel confrontare codec, parametri di codifica e versioni diverse dello stesso contenuto, così da ottimizzare lo streaming senza sprecare banda.
Il codice è pubblicato nel repository ufficiale su GitHub insieme a documentazione tecnica, modelli preaddestrati ed esempi di integrazione. Il pacchetto comprende la libreria C libvmaf, alcuni strumenti Python e un filtro per FFmpeg. Ciò che distingue Netflix VMAF da altri sistemi è l’idea di fondo, cioè mettere insieme più indicatori di qualità invece di affidarsi a un’unica misura matematica della differenza tra due immagini.
Come VMAF mette insieme le metriche
Tutto parte da un confronto. Da una parte c’è il video originale, che fa da riferimento, dall’altra la versione elaborata o compressa. VMAF estrae una serie di caratteristiche da entrambi i flussi e le combina tramite un modello statistico addestrato su giudizi raccolti da osservatori umani. Ne esce un punteggio che aiuta a stimare quanto la copia conservi la qualità percepita del filmato di partenza.
La documentazione ufficiale descrive le principali componenti usate dai modelli, tra cui VIF, ADM e Motion2. La Visual Information Fidelity, appunto VIF, valuta la fedeltà delle informazioni visive su diverse scale. ADM si concentra invece sulla perdita di dettagli che rende meno leggibili le strutture dell’immagine. Motion2 analizza le differenze temporali tra fotogrammi consecutivi e contribuisce così a rappresentare le caratteristiche del movimento.
Questa combinazione ha un senso preciso. Due video con valori simili di PSNR, una misura basata sul rapporto tra segnale e rumore, possono apparire parecchio diversi agli occhi degli spettatori. Anche SSIM, che confronta la somiglianza strutturale delle immagini, fornisce dati utili ma non descrive per forza ogni aspetto della qualità percepita. Netflix stessa ha spiegato nel suo approfondimento tecnico sulla nascita di VMAF come la fusione di più caratteristiche possa migliorare la corrispondenza con le valutazioni umane.
Proprio per questo il modello scelto pesa parecchio sul risultato. Il repository documenta sia la generazione precedente sia la famiglia VMAF v1, introdotta nel giugno 2026. La selezione va fatta tenendo conto del tipo di contenuto e dello scenario di valutazione, perché un punteggio non può essere interpretato come una misura universale e assoluta della qualità di qualsiasi video.
L’integrazione con FFmpeg e i limiti da tenere presenti
Lo strumento si può usare direttamente con FFmpeg, il software molto diffuso per convertire, elaborare e analizzare contenuti multimediali. Abilitando il filtro libvmaf diventa possibile mettere a confronto il filmato originale con quello codificato e ottenere risultati sfruttabili per verificare diverse impostazioni di compressione. La libreria C consente poi di integrare le funzioni di valutazione in programmi personalizzati, mentre l’interfaccia Python semplifica l’elaborazione di dataset, i test e l’addestramento di nuovi modelli.
Nel progetto trova spazio anche CAMBI, una metrica dedicata agli artefatti di banding, ovvero quelle transizioni cromatiche che si vedono come bande nette invece che come sfumature uniformi. Sono disponibili inoltre implementazioni di PSNR, PSNR HVS, SSIM, MS SSIM e CIEDE2000, utili per affiancare indicatori differenti durante le analisi e avere un quadro più completo.
C’è però una distinzione da non perdere di vista, perché Netflix VMAF non sostituisce del tutto la verifica visiva. Il risultato dipende dal riferimento, dal modello selezionato e dalle condizioni per cui quel modello è stato progettato. Chi vuole confrontare due codifiche deve quindi mantenere coerenti sia i filmati di partenza sia le impostazioni di valutazione. Il vantaggio concreto sta nell’avere a disposizione una misura ripetibile, capace di guidare le scelte tecniche senza però confondere un singolo punteggio con un giudizio definitivo sull’esperienza di chi guarda.
Fonte: TecnoAndroid