企业官网建设流程全解析

UniMate快速开始：从requirements.txt到首次推理的5个关键步骤

【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate

UniMate 是 SIGGRAPH Asia 2026 论文《One Unified Model to Animate Diverse Skeletons》的开源实现：一个统一的骨骼动画生成模型，用一段文本提示词即可为任意拓扑的骨架（人形、四足、鸟类、海洋生物、昆虫乃至刚体机械）实时生成动作，无需针对每个骨架重新训练。本文将带你完成 UniMate 快速开始的全流程：从安装 requirements.txt 依赖，到跑通首次文本生成动作推理，只需 5 个关键步骤。

1. 克隆仓库与一键环境安装：conda 环境创建步骤

所有组件（数据处理、渲染、训练、推理）共用同一个 conda 环境，依赖清单完整定义在 requirements.txt 中，基于 Python 3.10 + CUDA 12.4。克隆仓库：

git clone https://gitcode.com/GitHub_Trending/un/UniMate cd UniMate

按官方推荐的 4 条命令安装环境：

conda create -n unimate python=3.10 -y conda activate unimate pip install "setuptools<81" pip install -r requirements.txt --no-build-isolation

💡 两个细节别踩坑：

• 必须先安装setuptools<81再加--no-build-isolation，因为 Motion 动画库依赖旧版pkg_resources，较新的 setuptools 已不再提供该模块（详见 requirements.txt 头部注释）。
• 依赖中预装了对应的bpy（Blender Python 模块，锁定bpy==4.0.0），无需单独安装 Blender 即可跑渲染相关流程。

安装完成后，可用任意一条推理命令验证环境是否就绪（会提示缺少模型/数据集，而不是包缺失，即为成功）。

2. 下载 UniML3D 数据集：获取动作特征

推理的骨架条件（T-pose 与拓扑）来自数据集本身，因此训练时使用的dataset/features/<dataset>/目录必须存在。UniMate 配套了UniML3D数据集——13,006 条文本配对的标准化动作序列，覆盖多种骨骼拓扑：

数据获取方式：

• 原始资产：通过 Hugging Face Hub 的hfCLI 下载 Mixamo、Objaverse-XL 绑骨资产（仓库已内置下载脚本 run_download.sh，如bash data_process/scripts/run_download.sh mixamo）。
• 处理后的训练/推理特征（dataset/features/）：项目方正在准备开放发布，发布前可直接使用官方发布的 checkpoint 配套数据布局。
• Truebones ZOO 动物动作为商业资产包，需自行购买后放入dataset/raw/truebones/Truebone_Z-OO/（说明见 data_process/README.md）。

3. 获取训练好的 Checkpoint：选择推理权重

推理从训练输出目录启动，需要三样东西：

项目方已在 Hugging Face 上发布了 UniMate 的预览 checkpoint（README 的 Checkpoints 徽章可直达），目录结构与训练输出一致，可直接作为exp_dir使用。

如果你要自己训练，配置文件位于 configs/ 目录，共 8 个（4 种数据组合 × 2 种模型变体，均为 60 帧）。例如 uniml3d_60frames_graph_adaln.json 使用全量 UniML3D 数据、graph 注意力 + adaLN 文本条件。单卡训练只需一条命令：

accelerate launch -m unimate.training.train --config configs/uniml3d_60frames_graph_adaln.json

4. 编写测试用例：文本生成动作的 prompt 配置

文本条件推理的核心是一个测试用例 JSON：键为<object_type>-<case_id>（object_type 必须存在于数据集中，case_id 是自由命名的输出文件标签），值为动作描述 prompt。创建test_cases.json：

{ "Dog-walk": "a dog walks forward at a steady pace", "Dragon-takeoff": "a dragon flaps its wings and takes off" }

case_id会直接出现在输出文件名里（motions/Dog-walk-rep_0-0.npy），起个好名字会让结果一目了然。

5. 首次推理：运行 UniMate 文本生成动作命令

在仓库根目录执行：

python -m unimate.inference.sample \ --exp_dir outputs/uniml3d_60frames_graph_adaln \ --test_cases_json test_cases.json \ --num_repetitions 3

或使用封装好的脚本 run_sample_motion_text.sh——它会自动激活 conda 环境、挑选显存最充裕的 GPU：

bash scripts/run_sample_motion_text.sh outputs/uniml3d_60frames_graph_adaln test_cases.json

关键参数速查

输出结果在哪里

每次运行在samples/下生成：

• motions/<case_id>-rep_<r>-<i>.npy：动作特征(T, J, 12)；
• animations/<case_id>-rep_<r>-sample<i>_fk.mp4：骨架渲染视频；
• animations/<object_type>_tpos.png：作为条件的 T-pose；
• captions.json：每个.npy对应的 prompt 索引。

推理入口完整实现在 unimate/inference/sample.py，常用参数均可通过python -m unimate.inference.sample --help查看。

进阶：同一个模型免费解锁的 3 种玩法

推理跑通后，无需任何额外训练即可切换模式（三者互斥，且都需要--cfg_scale > 1.0）：

• 动作补间（Motion in-betweening）：固定关键帧、生成中间过渡，KEEP_FRAMES="0,-1"可自动填充首尾姿态之间的一切；
• 文本引导动作编辑：--keep_joints "Hips,Spine,Neck,Head"锁定下半身，用新 prompt 重新生成上半身动作；
• 动作扩展（Motion expansion）：把多段 prompt 列表串联成长动作，--expand_overlap控制衔接帧数。

对应脚本分别为 run_sample_motion_inbetween.sh、run_sample_motion_edit.sh、run_sample_motion_expand.sh，任意脚本带-h可查看完整选项。生成的.npy还可以交给数据流水线 Stage 5（run_animate_motion.sh）驱动原始网格，导出带动画的 GLB/FBX，完成从文本到可交付动画资产的最后一步。

🎉 至此，UniMate 快速开始的全部 5 个步骤已完成：环境安装 → 数据集 → checkpoint → 测试用例 → 首次推理。祝你的骨架动起来！

【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate