Y4M 是全世界最简单的视频格式：一个文本头加一堆裸像素。 没有压缩，没有索引，用文本编辑器都能看出一半。
2.1 到 2.6 都在用 ffprobe 去「猜」一个文件是什么。 这一节换一个完全看得懂的格式，把「视频到底是什么」摊开来看。
一、它简单到什么程度
先看一个能背下来的结构：
组成部分 内容 长度
文本头 一行 ASCII，以 YUV4MPEG2 开头 几十字节 帧标记 每帧前面一行 FRAME 6 字节 帧数据 Y、U、V 三个平面紧挨着排 宽×高×1.5
整个格式就这三样东西，帧一帧一帧往后排，没有目录、没有索引、没有时间戳。 要读第 100 帧，只能从文件头开始数一百次。
这跟 mp4 正好相反：mp4 是「索引在前，方便随机访问」， Y4M 是「顺序记录，只能顺着读」。一个为播放优化，一个为简单优化。
二、为什么需要这么「笨」的格式
既然又大又慢，为什么还留着它？三个用途都很实在：
用途 为什么不用 mp4 具体场合
中间交换 不带编码器差异，谁读都一样 两个工具之间传帧 算法测试 输入可控，能逐字节比对 验证缩放、滤镜是否正确 教学演示 拿文本编辑器都能看出一半 讲「视频是什么」
第一行是最关键的：做画质对比时，如果用 mp4 当中间文件， 你会分不清「差异是算法造成的」还是「差异是编码造成的」。
换成 Y4M 就干净了：输入就是纯像素，一个字节都不含糊。 这也是为什么很多图像算法的测试集都是 Y4M 或者类似的裸格式。
第三行也不是玩笑：Y4M 的头是一行 ASCII，head -c 100 就能看到分辨率帧率。
初学者理解「视频就是一堆同样大小的画面排在一起」，用它最快。
三、代价：大得离谱
算一下就明白它为什么不能用来存东西：
规格 一帧字节 一秒字节
160×90 21600 540000 720×576 622080 15552000 1920×1080 3110400 77760000
1080p 一秒 74 MB，一分钟 4.4 GB。这个量级下没人会拿它存东西。 它只在「跑一趟实验」的时候用，用完就删。
这也顺带说明了一件事：压缩不是可选项，是必需品。 没有压缩，一张蓝光碟连十秒都装不下。
四、动手 Demo：一个文本头加一堆裸像素
不用任何编码器，手写一个三帧的 Y4M 文件，再用 ffmpeg 的解析器读回来。 如果读回来的属性跟写的完全一致，就证明「视频格式」确实可以这么简单。
import av
import numpy as np
W, H, FPS, NF = 160, 90, 25, 3
# 一帧 yuv420p 有多大：Y 全采，U 和 V 各占四分之一
ysize = W * H
csize = (W // 2) * (H // 2)
fsize = ysize + csize * 2
# 头就一行 ASCII，字段用空格分隔
head = u"YUV4MPEG2 W%d H%d F%d:1 Ip A1:1 C420\n" % (W, H, FPS)
with open(u"hand.y4m", u"wb") as f:
f.write(head.encode(u"ascii"))
for i in range(NF):
f.write(b"FRAME\n")
y = np.full(ysize, i * 80, dtype=np.uint8)
u = np.full(csize, 128, dtype=np.uint8)
v = np.full(csize, 128, dtype=np.uint8)
f.write(y.tobytes() + u.tobytes() + v.tobytes())
# 读回来验证
c = av.open(u"hand.y4m")
st = c.streams.video[0]
print(u"容器 %s" % c.format.name)
print(u"编码 %s" % st.codec_context.name)
print(u"分辨率 %dx%d" % (st.width, st.height))
print(u"像素格式 %s" % st.codec_context.pix_fmt)
print(u"帧率 %s" % st.average_rate)
print(u"帧数 %d" % sum(1 for _ in c.decode(video=0)))
c.close()
实跑输出：
--------------------------------------------------------------------
Y4M 格式简介——一个文本头加一堆裸像素
--------------------------------------------------------------------
**① Y4M 是全世界最简单的视频格式：没有压缩，没有索引**
项 值
--------------------------------------------------------
文件大小 64856 字节
文本头 YUV4MPEG2 W160 H90 F25:1 Ip A1:1 C420
一帧裸数据 21600 字节
三帧合计 64800 字节（21600 × 3 ＋ 头与标记）
**这个文件是我用二十行代码手写出来的——没有调任何编码器。**
**因为 Y4M 根本没有「编码」这一步，像素怎么排就怎么存。**
**② 读回来，验证它真的是一个合法视频**
读到的属性 值
-------------------------------
容器格式 yuv4mpegpipe
编码 rawvideo
分辨率 160 × 90
像素格式 yuv420p
帧率 25
解出帧数 3
**注意第二行：编码是 rawvideo，意思是「不编码」。**
**所以 Y4M 不是压缩格式，它是把内存里的 YUV 原样倒进文件。**
**③ 那它有什么用？三个用途，都很实在**
用途 为什么用 Y4M 而不是 mp4
-------------------------------------------
中间交换 不带编码器差异，谁读都一样
算法测试 输入可控，能逐字节比对
教学演示 拿文本编辑器都能看出一半
**第二行是关键：做画质对比时，如果用 mp4 当中间文件，你会分不清差异是算法造成的还是编码造成的。**
**换成 Y4M，输入就是纯像素，一切都干净了。**
**④ 代价也很直接：大**
**160×90 的 3 帧就 64856 字节。换成 1080p 一秒，那就是 77760000 字节（约 74.2 MB）。**
**所以 Y4M 从来不用来存东西，只在「跑一趟实验」的时候用。**
写这个文件只用了二十行，而且没有一行在「编码」。 因为 Y4M 根本没有编码这一步：像素怎么排，就怎么存。
读回来那一栏里，容器名是 yuv4mpegpipe、编码名是 rawvideo。
rawvideo 这个名字本身就说明了性质——它就是「不编码的视频」。
文件总大小 = 头 + 三帧 × (6 字节 FRAME 标记 + 一帧数据)。 自己算一遍再和实际字节数对一下，能确认「视频文件里到底装了什么」。
这也是本课唯一一个你能手写出来的视频格式。 手写过一次之后，再听到「解封装」「解码」这些词，脑子里就有具体画面了。
30 秒实验
- 看一眼头：
head -c 60 hand.y4m，直接看到那行 ASCII 头，不需要任何工具。 - 转一次：
ffmpeg -i hand.y4m hand.mp4，把裸数据压成 h264，比一下体积差多少倍。 - 算一次：用
-pix_fmt yuv422p再写一个，看一帧是不是从 21600 变成 28800。
常见误区
- 把 Y4M 当成一种压缩格式。它完全不压缩，一帧就是一个分辨率的裸数据，所以特别大。
- 以为 Y4M 能随机访问。没有索引，要读第 N 帧必须从头数。这是它「简单」的代价。
- 在做画质对比时用 mp4 当中间文件。这样分不清差异是算法造成的还是编码造成的，白做实验。
自测三问（点开对答案）
1. Y4M 文件里为什么没有「索引」这种东西？ —— 因为它追求的是简单而不是随机访问。帧一帧一帧往后排，要读第 N 帧就从头上数过去。 2. 读到编码名是 rawvideo，说明了什么？ —— 说明这一路数据没有经过编码，是原始像素直接排进文件的。raw 就是「生的、未加工的」。 3. 做画质对比为什么该用 Y4M 而不是 mp4？ —— 因为 mp4 会引入编码损失，你分不清看到的差异是算法造成的还是编码造成的。Y4M 没有这一层。- ☐ （本节完，下一节 2.7.2 Y4M 格式规范）