> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-de/videoverarbeitung/rife-interpolation.md).

# RIFE-Interpolation

Erhöhe die Bildrate von Videos mit RIFE-KI-Interpolation auf Clore.ai

Erhöhe die Videobildrate mit RIFE-KI-Interpolation.

{% hint style="success" %}
Alle Beispiele können auf GPU-Servern ausgeführt werden, die gemietet wurden über [CLORE.AI-Marktplatz](https://clore.ai/marketplace).
{% endhint %}

## Mieten auf CLORE.AI

1. Besuchen [CLORE.AI-Marktplatz](https://clore.ai/marketplace)
2. Filtern nach GPU-Typ, VRAM und Preis
3. Wähle **On-Demand** (Festpreis) oder **Spot** (Gebotspreis)
4. Konfiguriere deine Bestellung:
   * Docker-Image auswählen
   * Ports festlegen (TCP für SSH, HTTP für Web-UIs)
   * Bei Bedarf Umgebungsvariablen hinzufügen
   * Startbefehl eingeben
5. Zahlung auswählen: **CLORE**, **BTC**, oder **USDT/USDC**
6. Bestellung erstellen und auf die Bereitstellung warten

### Greife auf deinen Server zu

* Verbindungsdetails finden in **Meine Bestellungen**
* Web-Oberflächen: Verwende die HTTP-Port-URL
* SSH: `ssh -p <port> root@<proxy-address>`

## Was ist RIFE?

RIFE (Real-Time Intermediate Flow Estimation) kann:

* FPS erhöhen (24→60, 30→120)
* Ruckelfreie Zeitlupe erstellen
* Ruckeliges Material verbessern
* Echtzeitverarbeitung

## Schnell bereitstellen

**Docker-Image:**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-runtime
```

**Ports:**

```
22/tcp
```

**Befehl:**

```bash
pip install torch torchvision && \
git clone https://github.com/megvii-research/ECCV2022-RIFE.git && \
cd ECCV2022-RIFE && \
pip install -r requirements.txt
```

## Installation

### Option 1: Python-Paket

```bash
pip install rife-ncnn-vulkan-python
```

### Option 2: Aus dem Quellcode

```bash
git clone https://github.com/megvii-research/ECCV2022-RIFE.git
cd ECCV2022-RIFE
pip install -r requirements.txt
```

## Grundlegende Verwendung

### Doppelte Bildrate

```bash
python inference_video.py --exp=1 --video=input.mp4

# Ausgabe: 2x FPS
```

### 4-fache Bildrate

```bash
python inference_video.py --exp=2 --video=input.mp4

# Ausgabe: 4x FPS
```

### 8-fache Bildrate

```bash
python inference_video.py --exp=3 --video=input.mp4

# Ausgabe: 8x FPS
```

## Python-API

### Modell laden

```python
import torch
from model.RIFE import Model

device = torch.device("cuda")
model = Model()
model.load_model('./train_log', -1)
model.eval()
model.device()
```

### Einzelnes Bild interpolieren

```python
import cv2
import numpy as np
import torch

def interpolate_frames(frame1, frame2, model, num_frames=1):
    """Bilder zwischen zwei Aufnahmen interpolieren"""
    # Tensoren vorbereiten
    img0 = torch.from_numpy(frame1).permute(2, 0, 1).float() / 255.0
    img1 = torch.from_numpy(frame2).permute(2, 0, 1).float() / 255.0

    img0 = img0.unsqueeze(0).cuda()
    img1 = img1.unsqueeze(0).cuda()

    # Interpolieren
    with torch.no_grad():
        middle = model.inference(img0, img1)

    # Zurück konvertieren
    middle = (middle[0] * 255).byte().cpu().numpy().transpose(1, 2, 0)
    return middle

# Bilder laden
frame1 = cv2.imread('frame1.png')
frame2 = cv2.imread('frame2.png')

# Interpoliertes Bild abrufen
middle_frame = interpolate_frames(frame1, frame2, model)
cv2.imwrite('interpolated.png', middle_frame)
```

### Video verarbeiten

```python
import cv2
import torch
from model.RIFE import Model

model = Model()
model.load_model('./train_log', -1)
model.eval()
model.device()

def process_video(input_path, output_path, multiplier=2):
    cap = cv2.VideoCapture(input_path)
    fps = cap.get(cv2.CAP_PROP_FPS)
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

    out = cv2.VideoWriter(
        output_path,
        cv2.VideoWriter_fourcc(*'mp4v'),
        fps * multiplier,
        (width, height)
    )

    ret, prev_frame = cap.read()
    if not ret:
        return

    out.write(prev_frame)

    while True:
        ret, curr_frame = cap.read()
        if not ret:
            break

        # Tensoren vorbereiten
        img0 = torch.from_numpy(prev_frame).permute(2, 0, 1).float() / 255.0
        img1 = torch.from_numpy(curr_frame).permute(2, 0, 1).float() / 255.0

        img0 = img0.unsqueeze(0).cuda()
        img1 = img1.unsqueeze(0).cuda()

        # Zwischenbilder erzeugen
        for i in range(multiplier - 1):
            t = (i + 1) / multiplier
            with torch.no_grad():
                middle = model.inference(img0, img1, timestep=t)
            middle = (middle[0] * 255).byte().cpu().numpy().transpose(1, 2, 0)
            out.write(middle)

        out.write(curr_frame)
        prev_frame = curr_frame

    cap.release()
    out.release()

process_video('input.mp4', 'output_60fps.mp4', multiplier=2)
```

## Verwendung von rife-ncnn-vulkan

Schnellere NCNN-Implementierung:

```python
from rife_ncnn_vulkan import Rife

rife = Rife(gpu_id=0)

# Interpolieren
frame1 = Image.open('frame1.png')
frame2 = Image.open('frame2.png')
middle = rife.process(frame1, frame2)
middle.save('interpolated.png')
```

### Videoverarbeitung

```python
from rife_ncnn_vulkan import Rife
import cv2
from PIL import Image

rife = Rife(gpu_id=0, num_threads=4)

def interpolate_video(input_path, output_path, factor=2):
    cap = cv2.VideoCapture(input_path)
    fps = cap.get(cv2.CAP_PROP_FPS)
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))

    out = cv2.VideoWriter(
        output_path,
        cv2.VideoWriter_fourcc(*'mp4v'),
        fps * factor,
        (width, height)
    )

    ret, prev = cap.read()
    out.write(prev)

    while True:
        ret, curr = cap.read()
        if not ret:
            break

        # In PIL konvertieren
        prev_pil = Image.fromarray(cv2.cvtColor(prev, cv2.COLOR_BGR2RGB))
        curr_pil = Image.fromarray(cv2.cvtColor(curr, cv2.COLOR_BGR2RGB))

        # Interpolieren
        for i in range(factor - 1):
            t = (i + 1) / factor
            mid = rife.process(prev_pil, curr_pil, timestep=t)
            mid_cv = cv2.cvtColor(np.array(mid), cv2.COLOR_RGB2BGR)
            out.write(mid_cv)

        out.write(curr)
        prev = curr

    cap.release()
    out.release()
```

## Zeitlupe

Ruckelfreie Zeitlupe erstellen:

```python

# Original: 30 fps, 10 Sekunden = 300 Bilder

# 8-fache Interpolation: 2400 Bilder

# Bei 30 fps abspielen: 80 Sekunden (8x langsamer)

python inference_video.py --exp=3 --video=input.mp4

# Dadurch entstehen 8x so viele Bilder, für Zeitlupe mit der ursprünglichen FPS abspielen
```

### Zeitlupenskript

```python
def create_slow_motion(input_path, output_path, slowdown_factor=4):
    """Zeitlupenvideo erstellen"""
    cap = cv2.VideoCapture(input_path)
    original_fps = cap.get(cv2.CAP_PROP_FPS)

    # Interpolieren, um mehr Bilder zu erhalten
    exp = int(np.log2(slowdown_factor))
    interpolate_video(input_path, 'temp_interpolated.mp4', factor=slowdown_factor)

    # Mit ursprünglicher FPS neu kodieren
    cap2 = cv2.VideoCapture('temp_interpolated.mp4')
    width = int(cap2.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap2.get(cv2.CAP_PROP_FRAME_HEIGHT))

    out = cv2.VideoWriter(
        output_path,
        cv2.VideoWriter_fourcc(*'mp4v'),
        original_fps,  # Ursprüngliche FPS beibehalten
        (width, height)
    )

    while True:
        ret, frame = cap2.read()
        if not ret:
            break
        out.write(frame)

    cap.release()
    cap2.release()
    out.release()
```

## Batch-Verarbeitung

```python
import os
from concurrent.futures import ThreadPoolExecutor

def process_single(input_path, output_dir, factor=2):
    filename = os.path.basename(input_path)
    output_path = os.path.join(output_dir, f"interpolated_{filename}")
    interpolate_video(input_path, output_path, factor)
    return output_path

input_dir = './videos'
output_dir = './interpolated'
os.makedirs(output_dir, exist_ok=True)

videos = [os.path.join(input_dir, f) for f in os.listdir(input_dir)
          if f.endswith(('.mp4', '.mkv', '.avi'))]

for video in videos:
    result = process_single(video, output_dir, factor=2)
    print(f"Abgeschlossen: {result}")
```

## Qualitätseinstellungen

### Modellversionen

| Modell    | Qualität  | Geschwindigkeit |
| --------- | --------- | --------------- |
| RIFE v4.6 | Am besten | Langsam         |
| RIFE v4.0 | Großartig | Mittel          |
| RIFE-NCNN | Gut       | Am schnellsten  |

### UHD-Modus

Für 4K+-Videos:

```bash
python inference_video.py --exp=1 --video=input.mp4 --UHD
```

## Speicheroptimierung

### Bei begrenztem VRAM

```python

# In Kacheln verarbeiten
from model.RIFE import Model

model = Model()
model.load_model('./train_log', -1)
model.eval()

# Kachelgröße für große Bilder festlegen

# model.inference behandelt das Kacheln intern
```

### Speicher reduzieren

```bash

# NCNN-Version verwenden (speichereffizienter)
pip install rife-ncnn-vulkan-python
```

## Leistung

| Auflösung | GPU      | 2x interpolierte FPS |
| --------- | -------- | -------------------- |
| 1080p     | RTX 3090 | \~60 fps             |
| 1080p     | RTX 4090 | \~100 fps            |
| 4K        | RTX 3090 | \~15 fps             |
| 4K        | RTX 4090 | \~30 fps             |

## Fehlerbehebung

### Artefakte/Ghosting

* Szenenerkennung verwenden, um Schnitte zu überspringen
* Interpolationsfaktor reduzieren
* Auf schnelle Bewegungen prüfen

### Speicher erschöpft

* NCNN-Version verwenden
* In niedrigerer Auflösung verarbeiten, danach hochskalieren
* Batch-Größe reduzieren

### Langsame Verarbeitung

* NCNN-Vulkan-Version verwenden
* GPU-Beschleunigung aktivieren
* Kleineres Modell verwenden

## Szenenerkennung

Interpolation über Szenenschnitte hinweg überspringen:

```python
from scenedetect import detect, ContentDetector

scenes = detect('input.mp4', ContentDetector())

# Nicht zwischen Szenen interpolieren
for scene in scenes:
    print(f"Scene: {scene[0].get_frames()} - {scene[1].get_frames()}")
```

## Kostenschätzung

Übliche CLORE.AI-Marktplatzpreise (Stand 2024):

| GPU       | Stundensatz | Tagessatz | 4-Stunden-Sitzung |
| --------- | ----------- | --------- | ----------------- |
| RTX 3060  | \~$0.03     | \~$0.70   | \~$0.12           |
| RTX 3090  | \~$0.06     | \~$1.50   | \~$0.25           |
| RTX 4090  | \~$0.10     | \~$2.30   | \~$0.40           |
| A100 40GB | \~$0.17     | \~$4.00   | \~$0.70           |
| A100 80GB | \~$0.25     | \~$6.00   | \~$1.00           |

*Die Preise variieren je nach Anbieter und Nachfrage. Prüfen Sie* [*CLORE.AI-Marktplatz*](https://clore.ai/marketplace) *für aktuelle Preise.*

**Geld sparen:**

* Nutzen Sie den **Spot** Markt für unterbrechbare Arbeit — etwa ein Drittel der Server bietet Spot-Preise unter dem On-Demand-Preis (Median ca. 13 % Rabatt), der Rest ist gleichauf
* Bezahlen Sie mit **CLORE** Tokens
* Vergleichen Sie Preise zwischen verschiedenen Anbietern

## Nächste Schritte

* [FFmpeg NVENC](/guides/guides_v2-de/videoverarbeitung/ffmpeg-nvenc.md) - Ausgabe kodieren
* [Real-ESRGAN](/guides/guides_v2-de/bildverarbeitung/real-esrgan-upscaling.md) - Video hochskalieren
* [KI-Videogenerierung](/guides/guides_v2-de/videogenerierung/ai-video-generation.md) - Videos generieren


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-de/videoverarbeitung/rife-interpolation.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.