Uni4D 项目最佳实践教程
2025-05-30 16:46:18作者:郁楠烈Hubert
1. 项目介绍
Uni4D 是一个开源项目,旨在通过单段视频实现 4D 建模。它统一了多种视觉基础模型,如深度估计、动态掩码等,以从单个视频中重建出四维模型。该项目由 David Yifan Yao 等人开发,并在 CVPR 2025 上发表。
2. 项目快速启动
环境准备
首先,确保您的环境中已安装了 CUDA Toolkit 12.1。然后,按照以下步骤进行操作:
# 克隆项目并递归下载子模块
git clone --recursive https://github.com/Davidyao99/uni4d.git
# 创建并激活虚拟环境
conda create -n uni4d python=3.10
conda activate uni4d
# 安装依赖
bash scripts/install.sh
下载模型权重
# 下载视觉基础模型的权重
bash scripts/download_weights.sh
配置 OpenAI API
Uni4D 的预处理需要调用 GPT,因此需要一个具有信用额度的 OpenAI 账户。获取您的 API 密钥并将其设置为环境变量:
echo "OPENAI_API_KEY=sk-your_api_key_here" > .env
运行示例
项目提供了一个示例脚本,用于演示如何处理一个视频序列:
# 运行示例
bash scripts/demo.sh
输出目录结构如下:
data/demo/
└── lady-running/ # 示例序列名
├── rgb/ # 原始 RGB 图像
│ ├── 00000.jpg # 顺序 RGB 帧图像
│ └── ...
│
├── deva/ # DEVA 模型输出
│ ├── pred.json # 预测数据
│ ├── args.txt # 参数
│ ├── Annotations/ # 注解掩码
│ │ ├── 00000.png
│ │ └── ...
│ └── Visualizations/ # 可视化结果
│ ├── 00000.jpg
│ └── ...
│
├── ram/ # RAM 模型检测结果
│ └── tags.json # 包含 RAM 检测的类、GPT 输出和过滤后的类
│
├── unidepth/ # 深度估计结果
│ ├── depth_vis/ # 深度图可视化
│ │ ├── 00000.png
│ │ └── ...
│ ├── depth.npy # 原始深度数据
│ └── intrinsics.npy # 相机内参
│
├── gsm2/ # GSM2 模型输出
│ ├── mask/ # 分割掩码
│ │ ├── 00000.png # 二进制掩码图像
│ │ ├── 00000.json # 元数据/参数
│ │ └── ...
│ └── vis/ # 掩码可视化
│ ├── 00000.jpg
│ └── ...
│
├── cotrackerv3_F_G/ # Cotracker 输出(F=帧,G=网格大小)
│ ├── results.npz # 轨迹数据
│ └── vis/ # Cotracker 可视化
│ ├── 00000.png
│ └── ...
│
└── uni4d/ # Uni4D 模型输出
└── experiment_name/ # 实验名称
├── fused_4d.npz # 融合的 4D 表示数据
├── timer.txt # 每个阶段的运行时间
├── training_info.log # 训练日志
└── *.npz # 原始结果
3. 应用案例和最佳实践
自定义预处理
Uni4D 允许您使用自定义的深度估计和动态掩码。将结果保存在以下格式:
data/demo/
└── lady-running/ # 示例序列名
├── rgb/ # 原始 RGB 图像
│ ├── 00000.jpg # 顺序 RGB 帧图像
│ └── ...
├── custom_depth/ # 自定义深度估计结果
│ ├── depth.npy # 原始深度数据保存为 F x 1 x H x W
│ └── intrinsics.npy # 相机内参(初始化 Uni4D 时保存为 3x3 矩阵)
├── custom_segmentation/ # 自定义分割结果
│ ├── Annotations/ # 注解掩码
│ │ ├── 00000.png # 轨迹 ID 为单通道,每个轨迹为唯一 RGB 的三通道
│ │ └── ...
...
运行 Uni4D 优化时,使用以下参数来使用您的自定义预处理结果:
python ./uni4d/run.py --config ./uni4d/config/config_demo.yaml --depth_net <custom_depth> --dyn_mask_dir <custom_segmentation>
4. 典型生态项目
Uni4D 项目依赖于以下几个典型的生态项目:
- CasualSAM: Uni4D 的代码库基于此项目。
- MonST3R: Uni4D 的评估和数据集准备基于此项目。
- Tracking-Anything-with-DEVA: Uni4D 的预处理依赖于此项目。
- Grounded-Sam-2: Uni4D 的预处理依赖于此项目。
- CotrackerV3: Uni4D 的预处理依赖于此项目。
- Unidepth: Uni4D 的预处理依赖于此项目。
- Recognize-Anything: Uni4D 的预处理依赖于此项目。
以上是 Uni4D 项目的最佳实践教程,希望对您有所帮助。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
179
263

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
869
514

openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
295
331

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K

harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

deepin linux kernel
C
22
5

微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58