T2M GPT
1.0.0
Implementasi makalah Pytorch "T2M-GPT: Membangkitkan Gerak Manusia dari Deskripsi Tekstual dengan Representasi Diskrit"
[Halaman Proyek] [Kertas] [Demo Notebook] [HuggingFace] [Demo Luar Angkasa] [T2M-GPT+]
Jika proyek kami bermanfaat untuk penelitian Anda, mohon pertimbangkan untuk mengutip:
@inproceedings{zhang2023generating,
title={T2M-GPT: Generating Human Motion from Textual Descriptions with Discrete Representations},
author={Zhang, Jianrong and Zhang, Yangsong and Cun, Xiaodong and Huang, Shaoli and Zhang, Yong and Zhao, Hongwei and Lu, Hongtao and Shen, Xi},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2023},
}
| Teks: seorang pria melangkah maju dan melakukan handstand. | ||||
|---|---|---|---|---|
| GT | T2M | MDM | Gerakan Menyebar | Milik kita |
 |  |  |  |  |
| Teks: Seseorang bangkit dari tanah, berjalan melingkar dan duduk kembali di tanah. | ||||
| GT | T2M | MDM | Gerakan Menyebar | Milik kita |
 |  |  |  |  |
Model kami dapat dipelajari dalam satu GPU V100-32G
conda env create -f environment.yml
conda activate T2M-GPTKode telah diuji pada Python 3.8 dan PyTorch 1.8.1.
bash dataset/prepare/download_glove.shKami menggunakan dua kumpulan data bahasa gerak manusia 3D: HumanML3D dan KIT-ML. Untuk kedua dataset tersebut, Anda dapat menemukan detailnya serta link downloadnya [di sini].
Ambil HumanML3D sebagai contoh, direktori file akan terlihat seperti ini:
./dataset/HumanML3D/
├── new_joint_vecs/
├── texts/
├── Mean.npy # same as in [HumanML3D](https://github.com/EricGuo5513/HumanML3D)
├── Std.npy # same as in [HumanML3D](https://github.com/EricGuo5513/HumanML3D)
├── train.txt
├── val.txt
├── test.txt
├── train_val.txt
└── all.txt
Kami menggunakan ekstraktor yang sama yang disediakan oleh t2m untuk mengevaluasi gerakan yang kami hasilkan. Silakan unduh ekstraktornya.
bash dataset/prepare/download_extractor.shFile model yang telah dilatih sebelumnya akan disimpan dalam folder 'yang telah dilatih sebelumnya':
bash dataset/prepare/download_model.shJika Anda ingin merender gerakan yang dihasilkan, Anda perlu menginstal:
sudo sh dataset/prepare/download_smpl.sh
conda install -c menpo osmesa
conda install h5py
conda install -c conda-forge shapely pyrender trimesh mapbox_earcutPanduan singkat tentang cara menggunakan kode kami tersedia di demo.ipynb
Perhatikan bahwa, untuk dataset kit, hanya perlu menyetel '--dataname kit'.
Hasilnya disimpan dalam folder keluaran.
python3 train_vq.py
--batch-size 256
--lr 2e-4
--total-iter 300000
--lr-scheduler 200000
--nb-code 512
--down-t 2
--depth 3
--dilation-growth-rate 3
--out-dir output
--dataname t2m
--vq-act relu
--quantizer ema_reset
--loss-vel 0.5
--recons-loss l1_smooth
--exp-name VQVAEHasilnya disimpan dalam folder keluaran.
python3 train_t2m_trans.py
--exp-name GPT
--batch-size 128
--num-layers 9
--embed-dim-gpt 1024
--nb-code 512
--n-head-gpt 16
--block-size 51
--ff-rate 4
--drop-out-rate 0.1
--resume-pth output/VQVAE/net_last.pth
--vq-name VQVAE
--out-dir output
--total-iter 300000
--lr-scheduler 150000
--lr 0.0001
--dataname t2m
--down-t 2
--depth 3
--quantizer ema_reset
--eval-iter 10000
--pkeep 0.5
--dilation-growth-rate 3
--vq-act relupython3 VQ_eval.py
--batch-size 256
--lr 2e-4
--total-iter 300000
--lr-scheduler 200000
--nb-code 512
--down-t 2
--depth 3
--dilation-growth-rate 3
--out-dir output
--dataname t2m
--vq-act relu
--quantizer ema_reset
--loss-vel 0.5
--recons-loss l1_smooth
--exp-name TEST_VQVAE
--resume-pth output/VQVAE/net_last.pthIkuti pengaturan evaluasi text-to-motion, kami mengevaluasi model kami 20 kali dan melaporkan hasil rata-rata. Karena bagian multimodalitas dimana kita harus menghasilkan 30 gerakan dari teks yang sama, evaluasinya memakan waktu lama.
python3 GPT_eval_multi.py
--exp-name TEST_GPT
--batch-size 128
--num-layers 9
--embed-dim-gpt 1024
--nb-code 512
--n-head-gpt 16
--block-size 51
--ff-rate 4
--drop-out-rate 0.1
--resume-pth output/VQVAE/net_last.pth
--vq-name VQVAE
--out-dir output
--total-iter 300000
--lr-scheduler 150000
--lr 0.0001
--dataname t2m
--down-t 2
--depth 3
--quantizer ema_reset
--eval-iter 10000
--pkeep 0.5
--dilation-growth-rate 3
--vq-act relu
--resume-trans output/GPT/net_best_fid.pthAnda harus memasukkan alamat folder npy dan nama gerakan. Berikut ini contohnya:
python3 render_final.py --filedir output/TEST_GPT/ --motion-list 000019 005485Kami menghargai bantuan dari:
