Come Netflix misura davvero la qualità dei video: dentro VMAF

Netflix VMAF è un progetto open source che permette di valutare la qualità visiva dei video compressi attraverso un algoritmo progettato per avvicinarsi alla percezione umana.

Sviluppato da Netflix, il sistema aiuta a confrontare codec, parametri di codifica e versioni differenti dello stesso filmato, fornendo indicazioni utili per ottimizzare lo streaming senza sprecare banda.

Il codice è disponibile nel repository ufficiale su GitHub, accompagnato da documentazione tecnica, modelli preaddestrati ed esempi d’integrazione. Il progetto comprende la libreria C libvmaf, strumenti Python e un filtro per FFmpeg.

La sua particolarità consiste nel combinare più indicatori di qualità, anziché affidarsi a una singola misura matematica della differenza tra immagini.

Come VMAF combina le metriche per valutare i video

Il punto di partenza è il confronto tra un video originale, utilizzato come riferimento, e una versione elaborata o compressa.

VMAF estrae caratteristiche dai due flussi e le combina attraverso un modello statistico addestrato su valutazioni della qualità raccolte da osservatori umani. Il risultato è un punteggio che aiuta a stimare quanto la versione elaborata conservi la qualità percepita dell’originale.

La documentazione ufficiale descrive le principali caratteristiche impiegate dai modelli, tra cui VIF, ADM e Motion2. La metrica Visual Information Fidelity (VIF) valuta la fedeltà delle informazioni visive a diverse scale, mentre ADM considera la perdita di dettagli che rende meno leggibili le strutture dell’immagine. Motion2 analizza invece le differenze temporali tra fotogrammi consecutivi, contribuendo a rappresentare le caratteristiche del movimento.

Questa combinazione è importante perché due video con valori simili di PSNR, una misura basata sul rapporto tra segnale e rumore, possono apparire molto diversi agli spettatori. Anche SSIM, che confronta la somiglianza strutturale delle immagini, offre informazioni utili, ma non descrive necessariamente ogni aspetto della qualità percepita. Netflix illustra queste differenze nel proprio articolo tecnico dedicato alla nascita di VMAF, spiegando perché la fusione di più caratteristiche possa migliorare la correlazione con i giudizi umani.

Il modello utilizzato è quindi determinante. Il repository documenta sia la generazione precedente sia la famiglia VMAF v1, introdotta nel giugno 2026. La scelta deve tenere conto del tipo di contenuto e dello scenario di valutazione: un punteggio non va interpretato come una misura universale e assoluta della qualità di qualsiasi video.

Integrazione con FFmpeg e limiti da conoscere

VMAF può essere utilizzato direttamente tramite FFmpeg, strumento diffuso per convertire, elaborare e analizzare contenuti multimediali. Abilitando il filtro libvmaf, è possibile confrontare il filmato originale con quello codificato e ottenere risultati utilizzabili per verificare diverse impostazioni di compressione. La libreria C permette inoltre di integrare le funzioni di valutazione in software personalizzati, mentre l’interfaccia Python facilita l’elaborazione di dataset, i test e l’addestramento di modelli.

Il progetto include anche CAMBI, una metrica dedicata agli artefatti di banding, cioè alle transizioni cromatiche visibili come bande invece che come sfumature uniformi. Sono disponibili inoltre implementazioni di PSNR, PSNR-HVS, SSIM, MS-SSIM e CIEDE2000, che consentono di affiancare indicatori differenti durante le analisi.

Resta una distinzione essenziale: VMAF non sostituisce ogni verifica visiva. Il risultato dipende dal riferimento, dal modello selezionato e dalle condizioni per cui è stato progettato. Per confrontare due codifiche, occorre quindi mantenere coerenti i filmati di partenza e le impostazioni di valutazione. Il vantaggio concreto è disporre di una misura ripetibile, utile a guidare le decisioni tecniche senza confondere un singolo punteggio con un giudizio definitivo sull’esperienza dello spettatore.