UniMate快速上手指南15分钟从环境搭建到生成你的第一个3D动画【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/UniMateUniMate是 SIGGRAPH Asia 2026 的3D动画生成模型给它一段文字描述和一个带动画骨架的3D模型它就能自动生成人物、动物、机器人甚至植物身上自然连贯的动作无需针对每种骨骼单独训练。本快速上手指南带你用 15 分钟完成 UniMate 环境搭建并跑出你的第一个文生3D动画结果。1️⃣ UniMate能做什么一句话一个模型驱动所有骨架。任意骨骼人形、四足动物、鸟类、昆虫、机器人、机械臂甚至花朵开合同一套权重直接生成✍️文本驱动a dog walks forward这样的自然语言提示即可控制动作内容⚡零成本适配不用为新骨架重新训练也不需要推理时优化实时生成免费加餐同一个模型还能做动作补间in-betweening、文本编辑动作motion editing、动作扩展motion expansion2️⃣ 环境搭建4条命令搞定约5分钟硬件要求一块 NVIDIA GPUCUDA 12.4、Python 3.10、已安装 conda。# 1. 克隆仓库 git clone https://gitcode.com/GitHub_Trending/un/UniMate.git cd UniMate # 2. 创建并激活统一的 conda 环境 conda create -n unimate python3.10 -y conda activate unimate # 3. 安装全部依赖训练/推理/渲染共用一个环境 pip install setuptools81 pip install -r requirements.txt --no-build-isolation 几点说明依赖一次性写全在 requirements.txt 里PyTorch cu124、Blender 模块bpy、T5 文本编码器等--no-build-isolation是官方要求别省首次运行时 T5 文本编码器google/flan-t5-base会从 Hugging Face 自动下载需联网官方在 Hugging Face 的Linzhan/UniMate仓库发布了训练好的 checkpoint下载后按下面第 4 节的目录结构放到outputs/实验名/即可直接推理3️⃣ 推理前的准备找到你的实验目录约2分钟推理的起点是一个训练输出的目录里面必须有这三样官方 checkpoint 也是这个布局文件作用config.json模型结构配置推理时据此重建网络dataset_stats.npy归一化统计量checkpoints/checkpoint_step_*.pt模型权重含 EMA另外目标骨架的 T-pose 来自数据集特征目录dataset/features/数据集名/所以推理机上必须存在训练时使用的该目录。4️⃣ 生成你的第一个3D动画约5分钟第 1 步写测试用例。新建一个test_cases.json格式为物体类型-自定义标签: 英文动作描述物体类型必须存在于数据集{ Dog-walk: a dog walks forward at a steady pace, Dragon-takeoff: a dragon flaps its wings and takes off }第 2 步一条命令出动画。推荐用仓库自带的封装脚本自动激活 conda 环境、自动选择空闲显存最多的 GPUbash scripts/run_sample_motion_text.sh \ outputs/uniml3d_60frames_graph_adaln test_cases.json或者直接调用推理入口 unimate/inference/sample.pypython -m unimate.inference.sample \ --exp_dir outputs/uniml3d_60frames_graph_adaln \ --test_cases_json test_cases.json \ --num_repetitions 3第 3 步看结果。输出目录默认exp_dir/samples里会生成motions/*.npy—— 生成动作特征(T, J, 12)animations/*_fk.mp4—— 每条样本的骨架渲染视频 animations/物体类型_tpos.png—— 作为条件的 T-pose 图captions.json—— 每个.npy对应的提示词常用参数速查参数作用--cfg_scale文本引导强度≥1.0默认读训练配置--model_path指定某个 checkpoint默认取最新步数--num_repetitions每个用例生成几条样本--seed固定随机种子结果可复现--batch_size推理批大小显存不够就调小--only_save_motion只存.npy跳过渲染速度更快5️⃣ 进阶玩法同一个模型再送三个应用不需要任何额外训练只需换个脚本参数动作补间In-betweening——固定首尾关键帧自动生成中间过渡KEEP_FRAMES0,-1 bash scripts/run_sample_motion_inbetween.sh \ outputs/uniml3d_60frames_graph_adaln cases.json文本编辑动作Motion Editing——锁定部分骨骼如躯干用新提示词重生成其余部位KEEP_JOINTSHips,Spine,Neck,Head bash scripts/run_sample_motion_edit.sh \ outputs/uniml3d_60frames_graph_adaln cases.json动作扩展Motion Expansion——把多条提示词串成一段长动作段间自动重叠衔接EXPAND_OVERLAP10 bash scripts/run_sample_motion_expand.sh \ outputs/uniml3d_60frames_graph_adaln cases.json 补间和编辑的cases.json键必须是数据集里真实存在的物体类型-片段IDGT 动作会保存在结果旁边方便对比三种模式都要求--cfg_scale 1.0且互斥。6️⃣ 常见问题 FAQQ想自己训练一个新模型复制一份 configs/uniml3d_60frames_graph_adaln.json 改参数然后bash scripts/run_train.sh configs/uniml3d_60frames_graph_adaln.json -- --batch_size 8多 GPU 则用accelerate launch --num_processes 8 -m unimate.training.train --config 配置。Q显存不够 / 爆显存优先调小--batch_size推理或training.batch_size训练显存占用约正比于 batch × 帧数 × 关节数。Q训练不稳定、loss 出现尖刺官方提示大概率是数据问题如 Objaverse 中姿态异常的 rig建议先用 Mixamo Truebones 子集验证。详见 README.md 的 Troubleshooting 一节。Q生成失败或效果不佳UniMate 自称是早期版本部分动作和骨架仍会失败欢迎在仓库 issue 区反馈帮助改进。7️⃣ 资料导航想了解看这里项目总览与完整文档README.md全部依赖与环境说明requirements.txt8 套训练配置数据组合 × 注意力变体configs/推理入口与全部命令行参数unimate/inference/sample.py三大应用实现unimate/inference/数据流水线下载→渲染→标注→动画data_process/README.md驱动网格模型导出 GLB/FBXdata_process/mesh_animation/许可证MITLICENSE按照上面的步骤走完你已经完成了 UniMate 从环境搭建到文生3D动画的完整闭环。下一步不妨尝试用--save_ric对比两种渲染或者把.npy交给 scripts/run_animate_motion.sh 驱动真实网格——你的第一个 3D 动画角色已经在动了 【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考