UniMate单卡运行指南低显存设备如何跑通首次推理【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 的统一 3D 骨架动画模型用一个模型加一句文本提示就能为任意骨架生成动作。本文面向单张消费级显卡、低显存的用户拆解 UniMate 单卡运行的 4 个步骤——环境搭建、资产准备、测试用例配置、推理启动并附一份 4 参数省显存速查表帮助你在低显存设备上稳定跑通首次文本驱动动作生成。什么是 UniMate一个模型驱动任意骨架UniMate 在 UniML3D 数据集13,006 条文本配对动作序列上训练骨架类型覆盖双足、四足、鸟类、海洋生物、昆虫类、蛇形以及铰接刚体对象。推理时它不需要针对每个骨架重新训练也不需要测试时优化给定一个绑定的 3D 资产和一句文本提示即可实时生成连贯的动作。显存账本单卡到底能不能跑先看两个决定成败的机制都写在推理代码 unimate/inference/sample.py 里文本编码器与扩散模型不同时驻留 GPUT5 编码器只负责把提示词编码成嵌入编码完立即释放显存随后才把主模型搬上 GPU。按分块chunk采样采样批次由--batch_size控制每个分块结束后显式delempty_cache()释放。峰值显存由 batch 大小决定而不是由测试用例总数决定。结论峰值显存 ≈ 模型权重 一个分块的激活空间。把--batch_size调小低显存单卡也完全可控。第 1 步一键搭建环境Python 3.10 condagit clone https://gitcode.com/GitHub_Trending/un/UniMate cd UniMate conda create -n unimate python3.10 -y conda activate unimate pip install setuptools81 pip install -r requirements.txt --no-build-isolation两个容易踩的坑⚠️ 必须先装setuptools81且安装依赖时加--no-build-isolation否则 Motion 依赖的旧式构建会失败原因见 requirements.txt 顶部注释环境是一套走天下Blenderbpy 4.0.0等渲染依赖也包含在内照装即可。第 2 步准备两个目录——检查点与骨架特征推理只需要两样东西目录结构如下目录 / 文件内容来源exp_dir/config.json完整配置推理时据此重建模型官方检查点Hugging Face 仓库Linzhan/UniMateexp_dir/dataset_stats.npy归一化统计量推理时复用同上exp_dir/checkpoints/checkpoint_step_*.ptEMA 权重检查点同上dataset/features/数据集/骨架 T-pose、拓扑与动作特征推理的目标骨架来源官方 UniML3D 数据集Linzhan/UniML3D两个仓库都可以用hfCLI 直接拉到本地huggingface_hub已随环境装好放到上述相对路径即可。注意object_type必须与特征目录中的命名一致测试用例写错会在推理时被跳过见下文排错。第 3 步编写测试用例文件文生动作的输入准备一个test_cases.json格式为{object_type-case_id: prompt}{ Dog-walk: a dog walks forward at a steady pace, Dragon-takeoff: a dragon flaps its wings and takes off }object_type必须真实存在于数据集决定用哪副骨架case_id是自由标签直接用作输出文件名。第 4 步一条命令启动首次推理推荐使用仓库自带的包装脚本 scripts/run_sample_motion_text.shbash scripts/run_sample_motion_text.sh outputs/uniml3d_60frames_graph_adaln test_cases.json它会自动激活 conda 环境并挑选空闲显存最多的 GPU选卡逻辑见 scripts/_common.sh 的select_gpu然后调用 unimate/inference/sample.py 执行采样。也可以直接运行底层命令便于逐个控制参数python -m unimate.inference.sample \ --exp_dir outputs/uniml3d_60frames_graph_adaln \ --test_cases_json test_cases.json \ --num_repetitions 1运行完成后输出落在exp_dir/samples/下输出内容motions/*.npy生成动作特征(T, J, 12)animations/*.mp4骨架渲染视频captions.json每个.npy对应的提示词低显存参数速查表4 个开关跑稳开关默认值作用低显存建议--batch_size64每个采样分块的批次大小直接决定峰值显存设为1–4--num_repetitions3每个测试用例的采样次数设为1--only_save_motion关跳过 MP4 渲染只写.npy试跑时打开CUDA_VISIBLE_DEVICES自动指定 GPU脚本默认选空闲最多的卡手动指向一张干净 GPU两点补充默认cfg_scale 3.0见 configs/uniml3d_60frames_graph_adaln.json。CFG 会让每步多跑一次无条件前向实现见 unimate/inference/generate.py增加的是耗时而非峰值显存首次运行不必动它遇到CUDA OOM时优先把--batch_size降到 1其次加--only_save_motion。跑通之后三个即插即用的进阶玩法同一个模型不做任何额外训练还支持三种约束式采样任务每个模式在scripts/下都有一键脚本关键帧补间--inbetween固定首尾关键帧自动生成中间过渡✏️文本驱动动作编辑--motion_edit固定指定关节其余部分按新提示词重做多段动作扩展--motion_expand把多个提示词首尾相接拼接成一条长动作。常见报错速查pip install -r requirements.txt失败setuptools 版本过高。先执行pip install setuptools81再带--no-build-isolation重装No config.json in ...--exp_dir指错了。该目录必须同时包含config.json、dataset_stats.npy和checkpoints/object_type not in dataset; skippingtest_cases.json里的骨架名与数据集命名不匹配换成目录中真实存在的类型名即可。写在最后UniMate 的单卡推理流程其实只有四步建环境 → 放资产 → 写用例 → 跑脚本。真正的门槛只有一个——理解峰值显存由--batch_size决定把它调小低显存设备也能稳定产出第一组骨架动画。跑通之后补间、编辑与扩展三种玩法可以直接复用同一套检查点无需任何额外训练。【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