Uni4D 项目最佳实践教程
2025-05-30 19:18:20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
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息010GitCode-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~0274get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java01Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
152
1.97 K

deepin linux kernel
C
22
6

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
486
37

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
315
10

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
191

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
991
395

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
193
276

🎉 (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
937
554

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
69