如何从零跑通 PyMAF环境配置与 SMPL 模型数据准备完整教程【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAFPyMAF是 ICCV 2021Oral论文《3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop》的官方开源实现可从单张图片直接回归出带网格对齐反馈回路的 3D 人体姿态与体型SMPL 参数。本教程带你完成PyMAF 环境配置、SMPL 模型数据准备并跑通 Demo附完整目录结构说明。一、PyMAF 能做什么能力说明️ 单图重建输入一张照片输出 3D 人体姿态 体型SMPL 参数 单/多人视频重建基于 YOLOv8 多人跟踪的逐帧重建 关键点评测COCO 关键点定位 / 3DPW 评测 可训练两阶段训练Human3.6M → 混合 2D/3D 数据集二、环境配置最快安装步骤官方在 Python 3.8 上测试请严格对齐版本后续chumpy、scipy1.2.2等依赖对版本很敏感。第 1 步创建 conda 环境conda create --no-default-packages -n pymafx python3.8 conda activate pymafx第 2 步安装 PyTorch官方测试版本 1.9.0 CUDA 11.1conda install pytorch1.9.0 torchvision0.10.0 cudatoolkit11.1 -c pytorch -c conda-forge第 3 步安装 pytorch3dpip install githttps://github.com/facebookresearch/pytorch3d.gitstable⚠️ pytorch3d 若源码编译失败优先检查 CUDA 版本与 PyTorch 是否匹配这是新手最常卡住的环节。第 4 步安装其余依赖pip install -r requirements.txt依赖清单见 requirements.txt包含smplx、pyrender、trimesh、opencv-python、ultralytics等约 20 个包yolov3-pytorch与multi-person-tracker需从 git 源码安装pip 会自动处理。三、数据准备SMPL 模型与必要文件清单3.1 一键下载网格与 UV 数据先运行项目自带的脚本自动拉取mesh_downsampling.npz网格下采样索引与 DensePose UV 数据bash fetch_data.sh该脚本逻辑见 fetch_data.sh创建data/UV_data目录并解压 UV 数据同时下载网格下采样文件。3.2 准备 SMPL 模型文件关键步骤从SMPL 官方网站smpl.is.tue.mpg.de免费注册账号下载basicmodel 的 neutral / male / female三套模型将.pkl文件重命名为SMPL_NEUTRAL.pkl、SMPL_MALE.pkl、SMPL_FEMALE.pkl全部放入./data/smpl目录。 注意命名必须与上面完全一致否则会直接报错。若你要跑 PyMAF-XSMPL-X 扩展版则使用对应的 smplx 分支。3.3 其他必要数据数据说明放置位置预处理数据.npz从 SPIN 项目获取的预训练数据dataset_extrasdata/dataset_extras/final_fits人体拟合结果推荐 EFT 版本训练效果更好data/final_fits/预训练权重官方发布的PyMAF_model_checkpoint.ptdata/pretrained_model/J_regressor_extra.npy、J_regressor_h36m.npy、smpl_mean_params.npz骨骼回归器与均值参数data/根目录final_fits的完整路径常量定义在 core/path_config.py如FINAL_FITS_DIR data/final_fits、SMPL_MEAN_PARAMS data/smpl_mean_params.npz等若目录缺失可在该文件统一修改。3.4 最终目录结构核对./data ├── dataset_extras │ └── .npz files ├── J_regressor_extra.npy ├── J_regressor_h36m.npy ├── mesh_downsampling.npz ├── pretrained_model │ └── PyMAF_model_checkpoint.pt ├── smpl │ ├── SMPL_FEMALE.pkl │ ├── SMPL_MALE.pkl │ └── SMPL_NEUTRAL.pkl ├── smpl_mean_params.npz ├── final_fits │ └── .npy files └── UV_data ├── UV_Processed.mat └── UV_symmetry_transforms.mat逐项对照上图全部就位后就可以跑 Demo 了 ✅四、快速跑通 PyMAF Demo图片与视频输入单张图片官方示例图就在 examples/ 目录中python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt \ --img_file examples/COCO_val2014_000000019667.jpg视频输入单人 / 多人均支持# 单人视频 python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --vid_file examples/dancer.mp4 # 多人视频 python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --vid_file examples/flashmob.mp4Demo 入口为 demo.py多人检测跟踪由 multi_person_tracker_yolov8.py 提供若渲染报错确认PYOPENGL_PLATFORMegldemo.py 中已自动设置与 GPU 支持 EGL。五、项目结构速览看懂每个模块的分工目录 / 文件职责core/训练器trainer.py、配置core/cfgs.py、路径管理models/网络定义pymaf_net.pyPyMAF 主干、smpl.py、hmr.py、maf_extractor.pyMAF 反馈回路提取器datasets/数据加载COCO、关节点数据集、推理预处理utils/渲染器、UV 可视化、姿态跟踪等工具configs/pymaf_config.yaml默认超参batch size、损失权重、骨干网络 res50 等train.py训练入口eval.py / eval_coco.py3DPW / COCO 评测入口六、常见问题排查pytorch3d 安装失败确认 CUDA 11.1 与 PyTorch 1.9.0 对应必要时先编译一次torch.utils.cpp_extension。import chumpy报错chumpy与 numpy 版本冲突时升级 numpy 后重装smplx。SMPL 加载失败99% 是文件名没改成SMPL_XXX.pkl标准命名。Demo 无输出确认 checkpoint 路径data/pretrained_model/PyMAF_model_checkpoint.pt存在。七、下一步训练与评测两阶段训练第一阶段仅用 Human3.6M第二阶段混合 2D/3D 数据集推荐换用 EFT 标签可显著提升 baseline# 第一阶段COCO / 单数据集 CUDA_VISIBLE_DEVICES0 python3 train.py --regressor pymaf_net --single_dataset --misc TRAIN.BATCH_SIZE 64 # 第二阶段加载第一阶段 checkpoint混合数据集训练 CUDA_VISIBLE_DEVICES0 python3 train.py --regressor pymaf_net --pretrained_checkpoint path/to/checkpoint.pt --misc TRAIN.BATCH_SIZE 64评测python3 eval_coco.py --checkpoint...COCO或python3 eval.py --checkpoint... --dataset3dpw3DPW训练过程可用 TensorBoard 监控./logs目录。环境配置 SMPL 数据准备完成后PyMAF 即可从单张图片直接重建 3D 人体网格。祝实验顺利 【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 如何从零跑通 PyMAF：环境配置与 SMPL 模型数据准备完整教程
如何从零跑通 PyMAF环境配置与 SMPL 模型数据准备完整教程【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAFPyMAF是 ICCV 2021Oral论文《3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop》的官方开源实现可从单张图片直接回归出带网格对齐反馈回路的 3D 人体姿态与体型SMPL 参数。本教程带你完成PyMAF 环境配置、SMPL 模型数据准备并跑通 Demo附完整目录结构说明。一、PyMAF 能做什么能力说明️ 单图重建输入一张照片输出 3D 人体姿态 体型SMPL 参数 单/多人视频重建基于 YOLOv8 多人跟踪的逐帧重建 关键点评测COCO 关键点定位 / 3DPW 评测 可训练两阶段训练Human3.6M → 混合 2D/3D 数据集二、环境配置最快安装步骤官方在 Python 3.8 上测试请严格对齐版本后续chumpy、scipy1.2.2等依赖对版本很敏感。第 1 步创建 conda 环境conda create --no-default-packages -n pymafx python3.8 conda activate pymafx第 2 步安装 PyTorch官方测试版本 1.9.0 CUDA 11.1conda install pytorch1.9.0 torchvision0.10.0 cudatoolkit11.1 -c pytorch -c conda-forge第 3 步安装 pytorch3dpip install githttps://github.com/facebookresearch/pytorch3d.gitstable⚠️ pytorch3d 若源码编译失败优先检查 CUDA 版本与 PyTorch 是否匹配这是新手最常卡住的环节。第 4 步安装其余依赖pip install -r requirements.txt依赖清单见 requirements.txt包含smplx、pyrender、trimesh、opencv-python、ultralytics等约 20 个包yolov3-pytorch与multi-person-tracker需从 git 源码安装pip 会自动处理。三、数据准备SMPL 模型与必要文件清单3.1 一键下载网格与 UV 数据先运行项目自带的脚本自动拉取mesh_downsampling.npz网格下采样索引与 DensePose UV 数据bash fetch_data.sh该脚本逻辑见 fetch_data.sh创建data/UV_data目录并解压 UV 数据同时下载网格下采样文件。3.2 准备 SMPL 模型文件关键步骤从SMPL 官方网站smpl.is.tue.mpg.de免费注册账号下载basicmodel 的 neutral / male / female三套模型将.pkl文件重命名为SMPL_NEUTRAL.pkl、SMPL_MALE.pkl、SMPL_FEMALE.pkl全部放入./data/smpl目录。 注意命名必须与上面完全一致否则会直接报错。若你要跑 PyMAF-XSMPL-X 扩展版则使用对应的 smplx 分支。3.3 其他必要数据数据说明放置位置预处理数据.npz从 SPIN 项目获取的预训练数据dataset_extrasdata/dataset_extras/final_fits人体拟合结果推荐 EFT 版本训练效果更好data/final_fits/预训练权重官方发布的PyMAF_model_checkpoint.ptdata/pretrained_model/J_regressor_extra.npy、J_regressor_h36m.npy、smpl_mean_params.npz骨骼回归器与均值参数data/根目录final_fits的完整路径常量定义在 core/path_config.py如FINAL_FITS_DIR data/final_fits、SMPL_MEAN_PARAMS data/smpl_mean_params.npz等若目录缺失可在该文件统一修改。3.4 最终目录结构核对./data ├── dataset_extras │ └── .npz files ├── J_regressor_extra.npy ├── J_regressor_h36m.npy ├── mesh_downsampling.npz ├── pretrained_model │ └── PyMAF_model_checkpoint.pt ├── smpl │ ├── SMPL_FEMALE.pkl │ ├── SMPL_MALE.pkl │ └── SMPL_NEUTRAL.pkl ├── smpl_mean_params.npz ├── final_fits │ └── .npy files └── UV_data ├── UV_Processed.mat └── UV_symmetry_transforms.mat逐项对照上图全部就位后就可以跑 Demo 了 ✅四、快速跑通 PyMAF Demo图片与视频输入单张图片官方示例图就在 examples/ 目录中python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt \ --img_file examples/COCO_val2014_000000019667.jpg视频输入单人 / 多人均支持# 单人视频 python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --vid_file examples/dancer.mp4 # 多人视频 python3 demo.py --checkpointdata/pretrained_model/PyMAF_model_checkpoint.pt --vid_file examples/flashmob.mp4Demo 入口为 demo.py多人检测跟踪由 multi_person_tracker_yolov8.py 提供若渲染报错确认PYOPENGL_PLATFORMegldemo.py 中已自动设置与 GPU 支持 EGL。五、项目结构速览看懂每个模块的分工目录 / 文件职责core/训练器trainer.py、配置core/cfgs.py、路径管理models/网络定义pymaf_net.pyPyMAF 主干、smpl.py、hmr.py、maf_extractor.pyMAF 反馈回路提取器datasets/数据加载COCO、关节点数据集、推理预处理utils/渲染器、UV 可视化、姿态跟踪等工具configs/pymaf_config.yaml默认超参batch size、损失权重、骨干网络 res50 等train.py训练入口eval.py / eval_coco.py3DPW / COCO 评测入口六、常见问题排查pytorch3d 安装失败确认 CUDA 11.1 与 PyTorch 1.9.0 对应必要时先编译一次torch.utils.cpp_extension。import chumpy报错chumpy与 numpy 版本冲突时升级 numpy 后重装smplx。SMPL 加载失败99% 是文件名没改成SMPL_XXX.pkl标准命名。Demo 无输出确认 checkpoint 路径data/pretrained_model/PyMAF_model_checkpoint.pt存在。七、下一步训练与评测两阶段训练第一阶段仅用 Human3.6M第二阶段混合 2D/3D 数据集推荐换用 EFT 标签可显著提升 baseline# 第一阶段COCO / 单数据集 CUDA_VISIBLE_DEVICES0 python3 train.py --regressor pymaf_net --single_dataset --misc TRAIN.BATCH_SIZE 64 # 第二阶段加载第一阶段 checkpoint混合数据集训练 CUDA_VISIBLE_DEVICES0 python3 train.py --regressor pymaf_net --pretrained_checkpoint path/to/checkpoint.pt --misc TRAIN.BATCH_SIZE 64评测python3 eval_coco.py --checkpoint...COCO或python3 eval.py --checkpoint... --dataset3dpw3DPW训练过程可用 TensorBoard 监控./logs目录。环境配置 SMPL 数据准备完成后PyMAF 即可从单张图片直接重建 3D 人体网格。祝实验顺利 【免费下载链接】PyMAF[ICCV 2021, Oral] PyMAF: 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop项目地址: https://gitcode.com/gh_mirrors/py/PyMAF创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考