windows本地运行dreamtalk踩坑总结

        dreamtalk是一个语音+图片转视频的一个工具,就是给一段语音加一个头像图片,然后生成一段头像跟语音对口型的视频,其实还是很有意思的,最近阿里发布了一个类似的模型,但是还没开源,从展示视频看,阿里的那个效果比dreamtalk要好,希望早日开源。

        本地运行其实坑主要在安装各种依赖包上,项目地址在dreamtalk · 模型库 (modelscope.cn),可以先把代码下下来,然后就开始装依赖包,第一个依赖:dlib,dlib是c++版本的dlib的一个python绑定,但是目前windows只有py3.6的,如果你的python版本正好是这个,那就直接pip install dlib就行,如果不是,就需要本地编译,本地编译的话,需要安装cmake,可以去官网下载https://github.com/Kitware/CMake/releases/download/v3.29.2/cmake-3.29.2-windows-x86_64.msi

如果访问不了可以用把连接复制到迅雷里用迅雷下(点赞迅雷),安装的时候记得勾选添加到环境变量,cmake是比较好装的,第一软件大小比较小,第二页没什么其它的依赖,下载装上就行了,另外一个就是安装visual studio了,这个就比较大了,当然除了大,其它的也还好,只要网速快,硬盘够大,也没什么大问题。装完了这两个就能对dlib进行编译了,但是正常情况下,你装完了这个,下载了dlib源码,运行python setup.py install还是会编译失败,这时还需要添加一个参数,那就是去掉gif支持 python .\setup.py install --no DLIB_GIF_SUPPORT这样才能编译安装成功,至此,第一个依赖安装成功。

        第二个依赖就是ffmpeg,这个是个命令行软件,dreamtalk主要用它来生成视频文件用,这个安装比较简单,只需要下载下来,然后把ffmpeg.exe的路径添加环境变量里就行了。

        第三个依赖是ffmpeg的python绑定,叫pyav,这个比较简单,只要pip install av就行了。

        第四个依赖是神经网络库torch、torchvision、torchaudio了,我安装的是cpu版,这个看个人选择,因为我只想跑个结果,所以没用gpu,这块的安装如果有问题可以自己百度一下,我就不细写了,我这遇到的问题是版本问题,查了一下彼此的匹配版本,解决了问题,我的版本

torch                   1.10.1
torchaudio           0.10.1
torchvision           0.11.2

        第五个依赖是模型,dreamtalk依赖了一个叫jonatasgrosman/wav2vec2-large-xlsr-53-english的项目,这个项目托管在huggingface,需要翻墙,本来这个依赖代码里有自动下载代码,但是网络不通,下载时会报错,怎么办,百度搜到了一个镜像站HF-Mirror - Huggingface 镜像站,然后配置一个环境变量名字为HF_ENDPOINT,值就是镜像站首页地址,然后运行启动文件,文件也正常开始下载,但是不知道为什么,下了一部分的时候,就会报远程主机关闭连接的错误,可能是带宽问题,也可能是我电脑ip问题,如果屏幕前的你可以正常下那就再好不过,可惜我这自动下是不可能了,所以我就只能手动下,结果没想到手动也是报错,关键时刻,还是迅雷好使,连接一复制,非常快的就下载下来了(再次点赞迅雷)。下载好项目后,重点来了,需要把项目放到dreamtalk根目录下,并且外边还要包一层jonatasgrosman目录,因为代码引用就是这个结构,所以要注意。

        其它python依赖,安装很简单,放个截图

        

        经历了5大依赖,近两天的折腾,本以为就要可以跑一下了,结果运行启动文件,又报错了,错误是关于cuda的,因为我装个的cpu版本的torch是不支持cuda的,所以需要把cuda的代码删掉,于是,我小心翼翼,删掉了调用cuda()函数的代码,终于是可以运行了。修改后的代码inference_for_demo_video.py

python">import argparse
import torch
import json
import osfrom scipy.io import loadmat
import subprocessimport numpy as np
import torchaudio
import shutilfrom core.utils import (get_pose_params,get_video_style_clip,get_wav2vec_audio_window,crop_src_image,
)
from configs.default import get_cfg_defaults
from generators.utils import get_netG, render_video
from core.networks.diffusion_net import DiffusionNet
from core.networks.diffusion_util import NoisePredictor, VarianceSchedule
from transformers import Wav2Vec2Processor
from transformers.models.wav2vec2.modeling_wav2vec2 import Wav2Vec2Modeldevice = torch.device("cpu")
@torch.no_grad()
def get_diff_net(cfg):diff_net = DiffusionNet(cfg=cfg,net=NoisePredictor(cfg),var_sched=VarianceSchedule(num_steps=cfg.DIFFUSION.SCHEDULE.NUM_STEPS,beta_1=cfg.DIFFUSION.SCHEDULE.BETA_1,beta_T=cfg.DIFFUSION.SCHEDULE.BETA_T,mode=cfg.DIFFUSION.SCHEDULE.MODE,),)checkpoint = torch.load(cfg.INFERENCE.CHECKPOINT,map_location=torch.device('cpu'))model_state_dict = checkpoint["model_state_dict"]diff_net_dict = {k[9:]: v for k, v in model_state_dict.items() if k[:9] == "diff_net."}diff_net.load_state_dict(diff_net_dict, strict=True)diff_net.eval()return diff_net@torch.no_grad()
def get_audio_feat(wav_path, output_name, wav2vec_model):audio_feat_dir = os.path.dirname(audio_feat_path)pass@torch.no_grad()
def inference_one_video(cfg,audio_path,style_clip_path,pose_path,output_path,diff_net,max_audio_len=None,sample_method="ddim",ddim_num_step=10,
):audio_raw = audio_data = np.load(audio_path)if max_audio_len is not None:audio_raw = audio_raw[: max_audio_len * 50]gen_num_frames = len(audio_raw) // 2audio_win_array = get_wav2vec_audio_window(audio_raw,start_idx=0,num_frames=gen_num_frames,win_size=cfg.WIN_SIZE,)#audio_win = torch.tensor(audio_win_array).cuda()audio_win = torch.tensor(audio_win_array)audio = audio_win.unsqueeze(0)# the second parameter is "" because of bad interface design...style_clip_raw, style_pad_mask_raw = get_video_style_clip(style_clip_path, "", style_max_len=256, start_idx=0)#style_clip = style_clip_raw.unsqueeze(0).cuda()style_clip = style_clip_raw.unsqueeze(0)style_pad_mask = (#style_pad_mask_raw.unsqueeze(0).cuda()style_pad_mask_raw.unsqueeze(0)if style_pad_mask_raw is not Noneelse None)gen_exp_stack = diff_net.sample(audio,style_clip,style_pad_mask,output_dim=cfg.DATASET.FACE3D_DIM,use_cf_guidance=cfg.CF_GUIDANCE.INFERENCE,cfg_scale=cfg.CF_GUIDANCE.SCALE,sample_method=sample_method,ddim_num_step=ddim_num_step,)gen_exp = gen_exp_stack[0].cpu().numpy()pose_ext = pose_path[-3:]pose = Nonepose = get_pose_params(pose_path)# (L, 9)selected_pose = Noneif len(pose) >= len(gen_exp):selected_pose = pose[: len(gen_exp)]else:selected_pose = pose[-1].unsqueeze(0).repeat(len(gen_exp), 1)selected_pose[: len(pose)] = posegen_exp_pose = np.concatenate((gen_exp, selected_pose), axis=1)np.save(output_path, gen_exp_pose)return output_pathif __name__ == "__main__":parser = argparse.ArgumentParser(description="inference for demo")parser.add_argument("--wav_path", type=str, default="", help="path for wav")parser.add_argument("--image_path", type=str, default="", help="path for image")parser.add_argument("--disable_img_crop", dest="img_crop", action="store_false")parser.set_defaults(img_crop=True)parser.add_argument("--style_clip_path", type=str, default="", help="path for style_clip_mat")parser.add_argument("--pose_path", type=str, default="", help="path for pose")parser.add_argument("--max_gen_len",type=int,default=1000,help="The maximum length (seconds) limitation for generating videos",)parser.add_argument("--cfg_scale",type=float,default=1.0,help="The scale of classifier-free guidance",)parser.add_argument("--output_name",type=str,default="test",)args = parser.parse_args()cfg = get_cfg_defaults()cfg.CF_GUIDANCE.SCALE = args.cfg_scalecfg.freeze()tmp_dir = f"tmp/{args.output_name}"os.makedirs(tmp_dir, exist_ok=True)# get audio in 16000Hzwav_16k_path = os.path.join(tmp_dir, f"{args.output_name}_16K.wav")command = f"ffmpeg -y -i {args.wav_path} -async 1 -ac 1 -vn -acodec pcm_s16le -ar 16000 {wav_16k_path}"subprocess.run(command.split())# get wav2vec feat from audiowav2vec_processor = Wav2Vec2Processor.from_pretrained("jonatasgrosman/wav2vec2-large-xlsr-53-english")wav2vec_model = (Wav2Vec2Model.from_pretrained("jonatasgrosman/wav2vec2-large-xlsr-53-english").eval()#.cuda())speech_array, sampling_rate = torchaudio.load(wav_16k_path)audio_data = speech_array.squeeze().numpy()inputs = wav2vec_processor(audio_data, sampling_rate=16_000, return_tensors="pt", padding=True)with torch.no_grad():audio_embedding = wav2vec_model(inputs.input_values, return_dict=False)[0]audio_feat_path = os.path.join(tmp_dir, f"{args.output_name}_wav2vec.npy")np.save(audio_feat_path, audio_embedding[0].cpu().numpy())# get src imagesrc_img_path = os.path.join(tmp_dir, "src_img.png")if args.img_crop:crop_src_image(args.image_path, src_img_path, 0.4)else:shutil.copy(args.image_path, src_img_path)with torch.no_grad():# get diff model and load checkpoint#diff_net = get_diff_net(cfg).cuda()diff_net = get_diff_net(cfg)# generate face motionface_motion_path = os.path.join(tmp_dir, f"{args.output_name}_facemotion.npy")inference_one_video(cfg,audio_feat_path,args.style_clip_path,args.pose_path,face_motion_path,diff_net,max_audio_len=args.max_gen_len,)# get rendererrenderer = get_netG("checkpoints/renderer.pt")# render videooutput_video_path = f"output_video/{args.output_name}.mp4"render_video(renderer,src_img_path,face_motion_path,wav_16k_path,output_video_path,fps=25,no_move=False,)# add watermark# if you want to generate videos with no watermark (for evaluation), remove this code block.no_watermark_video_path = f"{output_video_path}-no_watermark.mp4"shutil.move(output_video_path, no_watermark_video_path)os.system(f'ffmpeg -y -i {no_watermark_video_path} -vf  "movie=media/watermark.png,scale= 120: 36[watermask]; [in] [watermask] overlay=140:220 [out]" {output_video_path}')os.remove(no_watermark_video_path)

 dreamtalk/generators/utils.py

python">import argparse
import cv2
import json
import osimport numpy as np
import torch
import torchvision
import torchvision.transforms as transforms
from PIL import Imagedef obtain_seq_index(index, num_frames, radius):seq = list(range(index - radius, index + radius + 1))seq = [min(max(item, 0), num_frames - 1) for item in seq]return seq
device = torch.device("cpu")@torch.no_grad()
def get_netG(checkpoint_path):from generators.face_model import FaceGeneratorimport yamlwith open("generators/renderer_conf.yaml", "r") as f:renderer_config = yaml.load(f, Loader=yaml.FullLoader)renderer = FaceGenerator(**renderer_config).to(device)checkpoint = torch.load(checkpoint_path, map_location=lambda storage, loc: storage)renderer.load_state_dict(checkpoint["net_G_ema"], strict=False)renderer.eval()return renderer@torch.no_grad()
def render_video(net_G,src_img_path,exp_path,wav_path,output_path,silent=False,semantic_radius=13,fps=30,split_size=16,no_move=False,
):"""exp: (N, 73)"""target_exp_seq = np.load(exp_path)if target_exp_seq.shape[1] == 257:exp_coeff = target_exp_seq[:, 80:144]angle_trans_crop = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.9370641, 126.84911, 129.03864],dtype=np.float32,)target_exp_seq = np.concatenate([exp_coeff, angle_trans_crop[None, ...].repeat(exp_coeff.shape[0], axis=0)],axis=1,)# (L, 73)elif target_exp_seq.shape[1] == 73:if no_move:target_exp_seq[:, 64:] = np.array([0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.9370641, 126.84911, 129.03864],dtype=np.float32,)else:raise NotImplementedErrorframe = cv2.imread(src_img_path)frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)src_img_raw = Image.fromarray(frame)image_transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5), inplace=True),])src_img = image_transform(src_img_raw)target_win_exps = []for frame_idx in range(len(target_exp_seq)):win_indices = obtain_seq_index(frame_idx, target_exp_seq.shape[0], semantic_radius)win_exp = torch.tensor(target_exp_seq[win_indices]).permute(1, 0)# (73, 27)target_win_exps.append(win_exp)target_exp_concat = torch.stack(target_win_exps, dim=0)target_splited_exps = torch.split(target_exp_concat, split_size, dim=0)output_imgs = []for win_exp in target_splited_exps:#win_exp = win_exp.cuda()#cur_src_img = src_img.expand(win_exp.shape[0], -1, -1, -1).cuda()cur_src_img = src_img.expand(win_exp.shape[0], -1, -1, -1)output_dict = net_G(cur_src_img, win_exp)output_imgs.append(output_dict["fake_image"].cpu().clamp_(-1, 1))output_imgs = torch.cat(output_imgs, 0)transformed_imgs = ((output_imgs + 1) / 2 * 255).to(torch.uint8).permute(0, 2, 3, 1)if silent:torchvision.io.write_video(output_path, transformed_imgs.cpu(), fps)else:silent_video_path = f"{output_path}-silent.mp4"torchvision.io.write_video(silent_video_path, transformed_imgs.cpu(), fps)os.system(f"ffmpeg -loglevel quiet -y -i {silent_video_path} -i {wav_path} -shortest {output_path}")os.remove(silent_video_path)

印象里就这两个文件,当然如果你装的gpu版本的torch,不需要改代码。 效果图,说的是你好,你会写代码吗

        总结来说,跑一个开源项目还是不太容易的,这还是不用写代码的情况,特别是第一次,之前什么都没装,跑起来可是真麻烦,我一度怀疑能跑起来,好在没放弃,搞了两天终于搞出来,记录一下,有需要的朋友可以参考一下,有什么问题也可以随时给我留言。


http://www.ppmy.cn/server/2774.html

相关文章

2024mathorcup数学建模A题思路

整体来说这个题就两个步骤,第一是训练一个响应面模型,输入是附表1中两个小区的PCI值,输出是附表2和附表3中的冲突、混淆和干扰的MR数值,需要训练3个响应面模型,这里就直接用所有小区的来做,也方便三四问&am…

JVM与GC原理

JVM运行流程 Java 虚拟机(Java Virtual Machine,JVM)是 Java 平台的核心组件之一,它是一个在实际硬件和操作系统上模拟运行 Java 字节码的虚拟计算机 Java 程序被执行的顺序通常包括以下几个步骤: 编辑(E…

rman 归档备份 archived log 不重复备份

11.2.0.3数据库环境,使用rman进行归档日志备份,想实现: (1)每天备份归档日志,备份完并不删除归档日志 (2)归档日志备份成功一次之后,下次再备份的时候rman就自动不会再次备份这个归档日志 这个需求可以通过 backup …

数字IC/FPGA——锁存器/触发器/寄存器

本文主要介绍以下几点: 什么是触发器和锁存器门电路和触发器的区别什么是电平钟控触发器电平钟控触发器触发器和锁存器的区别触发器的分类方式:逻辑功能、触发方式、电路结构、存储数据原理、构成触发器的基本器件寄存器利用移位寄存器实现串并转换或并…

探索Web3的奇迹:数字时代的新前景

在数字化时代的潮流中,我们不可避免地迎来了一个全新的篇章——Web3时代的到来。在这个时代中,区块链技术作为数字化世界的核心,正在重塑着我们的生活方式、经济模式以及社会结构。在Web3时代,我们将目睹着一个以去中心化、透明化…

台州中墙建材常见的砖胎膜质量问题有哪些?以及施工安全

台州中墙建材常见的砖胎膜质量问题有哪些?以及施工安全砖胎膜的常见质量问题包括墙体倒塌、砂浆不饱满、通缝现象等。 在施工过程中,砖胎膜可能面临的一些质量问题有: 墙体倒塌:如果砌筑时未严格按照规范进行操作,或…

良心无广的4款软件,每一款都逆天好用,且用且珍惜

闲话少说,直上干货! 清浊 清浊是一款异常强大的国产手机清理应用,其设计理念崇尚简洁,用户界面清晰明快,且无任何弹窗广告干扰。更难能可贵的是,这款应用提供全程免费服务,功能多样&#xff0…

pytorch框架下的逻辑回归代码解读

# -*- coding: utf-8 -*- """ # file name : lesson-05-Logsitic-Regression.py # author : tingsongyu # date : 2019-09-03 10:08:00 # brief : 逻辑回归模型训练 """ import torch import torch.nn as nn import matplotlib.…

详解汽车交流充电桩主板的四大版本

近年来,在电动汽车行业快速发展背景下,充电桩的建设变得愈发重要,特别是兼容性较高、适用性较广的交流充电桩。 交流充电桩的心脏——主板的设计与功能,对于充电桩的性能和用户体验起着至关重要的作用。目前,市面上的…

股票价格预测 | Python使用GRU预测股票价格

文章目录 效果一览文章概述代码设计效果一览 文章概述 Python使用GRU预测股票价格 代码设计 import pandas as pd import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from numpy

Spring创建的对象是单例的还是多例的?还是原型的?

Spring创建的对象是单例的还是多例的?还是原型的? Spring创建的对象可以是单例的、多例的或者原型的,这取决于在配置文件或者注解中如何定义 Bean 的作用域。 单例(Singleton):当一个 Bean 被声明为单例时…

【MySQL面试题pro版-6】

MySQL是一个关系型数据库管理系统,由瑞典 MySQL AB 公司开发,属于 Oracle 旗下产品。MySQL是最流行的关系型数据库管理系统之一,在 WEB 应用方面,MySQL是最好的RDBMS (Relational Database Management System,关系数据…

基于SSM的购物小程序01

4.1系统架构设计 购物系统设计的系统项目的概述设计分析,主要内容有学习平台的具体分析,进行数据库的是设计,数据采用mysql数据库,并且对于系统的设计采用比较人性化的操作设计,对于系统出现的错误信息可以及时做出处…

Scala 04 —— 函数式编程底层逻辑

函数式编程 底层逻辑 该文章来自2023/1/14的清华大学交叉信息学院助理教授——袁洋演讲。 文章目录 函数式编程 底层逻辑函数式编程假如...副作用是必须的?函数的定义函数是数据的函数,不是数字的函数如何把业务逻辑做成纯函数式?函数式编程…

[大模型]Qwen-7B-Chat 接入langchain搭建知识库助手

Qwen-7B-Chat 接入langchain搭建知识库助手 环境准备 在autodl平台中租一个3090等24G显存的显卡机器,如下图所示镜像选择PyTorch–>2.0.0–>3.8(ubuntu20.04)–>11.8 接下来打开刚刚租用服务器的JupyterLab,并且打开其中的终端开始环境配置…

【简单介绍下K-means聚类算法】

🌈个人主页: 程序员不想敲代码啊 🏆CSDN优质创作者,CSDN实力新星,CSDN博客专家 👍点赞⭐评论⭐收藏 🤝希望本文对您有所裨益,如有不足之处,欢迎在评论区提出指正,让我们共…

获取当前的年、月、日、时、分、秒,并将这些信息用作保存 Excel 文件的前缀

要获取当前的年、月、日、时、分、秒,并将这些信息用作保存 Excel 文件的前缀,你可以使用 Python 的 datetime 模块来获取当前时间,并格式化时间字符串,然后使用 pandas 库将数据保存为 Excel 文件。示例代码: from d…

java创建线程池的方法

简介 线程池是一种用于管理和重用线程的机制,它可以有效地管理线程的创建和销毁,减少线程创建和销毁的开销,并且能够控制并发线程数量,避免资源耗尽和系统过载。Java 提供了java.util.concurrent 包来支持线程池的实现。 1.Threa…

蓝桥杯 每天2题 day6

碎碎念:哇咔咔 要不是中间缺勤一天就圆满day7了!最后一晚上!写题复习哇咔咔 唉,睡了一觉就看不下去了,,,看看之前的笔记洗洗睡觉,,, 记得打印准考证带好东西…

MySQL数据库-优化慢查询

1、什么是慢查询? 慢查询就是SQL执行时间过长,严重影响用户体验的SQL查询语句。当它频繁出现时数据库的性能和稳定性都会受到威胁 慢查询是数据库性能瓶颈的常见原因,是指SQL执行时间超过阈值;可能由于复杂的连接、缺少索引、不恰…