开源AI项目爆火！大叔秒变少女，强大且开源的可控人像AI视频生成 LivePortrait 本地部署教程，以及Llama 3.1 最新开源大模型！全球最大、功能最强大的开放式基础模型，附免费下载链接！

开源AI项目爆火！大叔秒变少女，强大且开源的可控人像AI视频生成 LivePortrait 本地部署教程，以及Llama 3.1 最新开源大模型！全球最大、功能最强大的开放式基础模型，附免费下载链接！

根据一张静态图片生成视频或模拟视频中人物动作，主要涉及以下几个实现原理和技术方案：

实现原理：

1. 图像分割：

   • 首先对静态图片进行分析，区分前景（如人物）和背景。

2. 关键点检测：

   • 使用计算机视觉技术检测图片中人物的关键点，如头部、肩膀、肘部、手腕、髋部、膝盖和脚踝。

3. 姿态估计：

   • 估计人物的姿态，确定身体各部分的空间位置和方向。

4. 运动建模：

   • 根据姿态估计结果，对人物的运动进行建模，预测其在视频中的动作。

5. 图像合成：

   • 将分割出的前景与背景重新合成，确保在生成的视频帧中人物与背景的一致性。

6. 时间序列预测：

   • 利用时间序列预测技术，生成连续的视频帧。

技术方案：

1. 基于深度学习的图像生成：

   • 使用生成对抗网络（GANs）或变分自编码器（VAEs）生成逼真的图像序列。

2. 姿态驱动的动画：

   • 利用已知的姿态序列作为输入，通过神经网络预测中间帧的姿态，进而生成动画。

3. 3D重建与动画：

   • 将2D图像转换为3D模型，然后使用3D动画技术模拟人物动作。

4. 光流法：

   • 通过分析图像序列中物体的运动方向和速度，预测并生成新帧。

5. 插值技术：

   • 在已知的静态图片之间使用插值技术生成中间帧。

6. 循环神经网络（RNN）：

   • 使用RNN对视频帧进行建模，捕捉时间序列中的动态特征。

7. 卷积循环生成网络（CR-GAN）：

   • 结合CNN的特征提取能力和RNN的时间序列建模能力，生成视频。

8. 物理模拟：

   • 利用物理引擎模拟衣物、头发等随动作变化的物理特性。

9. 条件变分自编码器（CVAE）：

   • 通过编码器将条件信息（如动作标签）编码到潜在空间，然后通过解码器生成相应的图像序列。

10. 双路网络：

    • 一个网络处理图像内容，另一个网络处理运动信息，两者结合生成视频。

详细介绍：

• 数据集准备：

  • 需要大量的图像和视频数据来训练模型，以便模型学习到人物动作和场景变化的规律。

• 预处理：

  • 对输入的静态图片进行预处理，如去噪、标准化等。

• 模型训练：

  • 使用标注好的数据训练深度学习模型，学习如何从静态图片生成动态视频。

• 动作转移：

  • 如果有源动作视频，可以通过动作转移技术将动作应用到静态图片上。

• 后处理：

  • 对生成的视频进行后处理，如颜色校正、模糊去除等，以提高视频质量。

• 评估与优化：

  • 使用定量和定性的指标评估生成视频的质量，并根据反馈优化模型。

• 用户界面：

  • 开发用户友好的界面，允许用户上传静态图片、选择动作、调整参数等。

这些技术方案各有优势和局限性，通常需要根据具体应用场景和需求选择合适的方法。随着深度学习技术的不断进步，从静态图片生成视频的方法也在不断发展和完善。

1，准备工作，本地下载代码并准备环境，运行命令前需安装git

https://git-scm.com/downloads

git clone https://github.com/KwaiVGI/LivePortrait
cd LivePortrait

# create env using conda
conda create -n LivePortrait python=3.9
conda activate LivePortrait

# install dependencies with pip
# for Linux and Windows users
pip install -r requirements.txt
# for macOS with Apple Silicon users
pip install -r requirements_macOS.txt

注意：确保您的系统已安装FFmpeg，包括ffmpeg和ffprobe！

https://ffmpeg.org/download.html

一、下载官方的FFmpeg

访问 FFmpeg的官网链接：https://ffmpeg.org ，然后点击右侧的下载按钮。

然后找到适合自己系统的版本，比如我选择 Windows 版，如下所示

接着点击下方的第一个链接：

进去以后，选择左边的 release builds ，右边出现如下内容：

选择带 shared 的还是不带 shared 的版本，其实都是可以的。功能是完全一样的。

只不过带 shared 的里面，多了 include、lib 目录。把 FFmpeg 依赖的模块包单独的放在的 lib 目录中。ffmpeg.exe，ffplay.exe，ffprobe.exe 作为可执行文件的入口，文件体积很小，他们在运行的时候，如果需要，会到 lib 中调用相应的功能。

不带 shared 的里面，bin 目录中有 ffmpeg.exe，ffplay.exe，ffprobe.exe 三个可执行文件，每个 exe 的体积都稍大一点，因为它已经把相关的需要用的模块包编译到exe里面去了。

解压后的内容，如下图所示：

进入 bin 目录，复制 bin 目录路径。

二、配置环境变量

1、在电脑桌面上，鼠标右键我的电脑，接着选择里面的属性，如下所示：

3、打开后点击右侧的高级系统设置

接着依次点击 高级 -> 环境变量：

4、在系统变量中，选择里面的 Path

5、然后点击下方的编辑：在出来的[编辑环境变量]表中，新建一个，最后将刚才复制的 bin 目录路径粘贴进去，保存即可。

三、验证是否安装成功

在CMD命令终端下，输入： ffmpeg -version，有类似如下版本信息输出，就说明配置成功了！

当然如果你不需要安装多种版本的ffmpeg，那么在Windows 电脑上，你可以直接将解压的ffmpeg文件放到系统的 system32 目录中去，就不用配置环境变量了。会更简单、方便！

---

2. 下载预训练权重
   下载预训练权重的最简单方法是从 HuggingFace 下载：

# first, ensure git-lfs is installed, see: https://docs.github.com/en/repositories/working-with-files/managing-large-files/installing-git-large-file-storage
git lfs install
# clone and move the weights
git clone https://huggingface.co/KwaiVGI/LivePortrait temp_pretrained_weights
mv temp_pretrained_weights/* pretrained_weights/
rm -rf temp_pretrained_weights

非海外用户，没有外网环境的朋友，你可以从【Google Drive】或【百度云】网盘下载所有预训练权重。解压并将它们放在 中./pretrained_weights。

确保目录结构如下，或包含：

pretrained_weights
├── insightface
│   └── models
│       └── buffalo_l
│           ├── 2d106det.onnx
│           └── det_10g.onnx
└── liveportrait
    ├── base_models
    │   ├── appearance_feature_extractor.pth
    │   ├── motion_extractor.pth
    │   ├── spade_generator.pth
    │   └── warping_module.pth
    ├── landmark.onnx
    └── retargeting_models
        └── stitching_retargeting_module.pth

3.推理使用

# For Linux and Windows
python inference.py

# For macOS with Apple Silicon, Intel not supported, this maybe 20x slower than RTX 4090
PYTORCH_ENABLE_MPS_FALLBACK=1 python inference.py

如果脚本成功运行，你会得到一个名为 的输出mp4文件animations/s6–d0_concat.mp4。此文件包含以下结果：驾驶视频，输入图像或视频，以及生成的结果。

或者您可以通过指定-s和参数-d来更改输入

# source input is an image
python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d0.mp4

# source input is a video ✨
python inference.py -s assets/examples/source/s13.mp4 -d assets/examples/driving/d0.mp4

# more options to see
python inference.py -h

参照视频自动裁剪 📢📢📢

要使用您自己的参照视频，我们建议：⬇️

将其裁剪为1:1 的宽高比（例如 512×512 或 256×256 像素），或通过 启用自动裁剪–flag_crop_driving_video。
重点关注头部区域，与示例视频类似。
尽量减少肩部运动。
确保参照视频的第一帧是正面且表情中性。

以下是自动裁剪的案例–flag_crop_driving_video：

python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d13.mp4 --flag_crop_driving_video

如果觉得自动裁剪的效果不好，您可以修改–scale_crop_driving_video、–vy_ratio_crop_driving_video选项来调整比例和偏移量，或者手动进行调整。

动作模板制作

您还可以使用自动生成的以 结尾的运动模板文件来.pkl加速推理，并保护隐私，例如：

python inference.py -s assets/examples/source/s9.jpg -d assets/examples/driving/d5.pkl # portrait animation
python inference.py -s assets/examples/source/s13.mp4 -d assets/examples/driving/d5.pkl # portrait video editing

4. Gradio 可视化界面操作
   在Gradio的可视化界面下可以获得更好的体验，适合新手使用，只需运行下面安装代码即可：

# For Linux and Windows users (and macOS with Intel??)
python app.py

# For macOS with Apple Silicon users, Intel not supported, this maybe 20x slower than RTX 4090
PYTORCH_ENABLE_MPS_FALLBACK=1 python app.py

您可以指定–server_port、、–share参数–server_name来满足您的需求！

🚀 它们还提供了加速选项–flag_do_torch_compile。首次推理会触发优化过程（约一分钟），使后续推理速度提高 20-30%。性能提升可能因 CUDA 版本的不同而有所差异。

# enable torch.compile for faster inference
python app.py --flag_do_torch_compile

注意：Windows 和 macOS 不支持此方法。或者，在HuggingFace上轻松尝试一下🤗

5. 推理速度评估

下方提供了一个脚本来评估每个模块的推理速度：

# For NVIDIA GPU
python speed.py

以下是使用原生 PyTorch 框架在 RTX 4090 GPU 上推断一帧的结果torch.compile：

注意：拼接和重定向模块的值代表三个连续 MLP 网络的组合参数数量和总推理时间。

当然如果你没有一张好的显卡，无法本地运行，那么可以在huggingface上免费体验：【点击前往】在线使用

---

Llama 3.1 最新开源大模型！全球最大、功能最强大的开放式基础模型，附免费下载链接！

正如预期的那样，Meta 今天发布了 Llama 3.1 系列 AI 模型。Llama 3.1 系列包括三种模型：Llama 3.1 8B、Llama 3.1 70B 和 Llama 3.1 405B。这三种模型现在都具有改进的 128K 上下文长度。此外，Meta 现在允许开发人员使用 Llama 模型的输出来改进其他模型。

Meta 在 150 多个基准数据集上评估了 Llama 3.1 系列模型的性能。Meta 还进行了几次人工评估，以将这些模型与现实场景中的其他竞争模型进行比较。根据结果，Llama 3.1 405B 与领先的基础模型（包括 GPT-4、GPT-4o 和 Claude 3.5 Sonnet）具有竞争力。因此，Meta 现在声称 Llama 3.1 405B 是世界上最大、功能最强大的公开基础模型。此外，较小的 Llama 3.1 模型与大小相似的封闭和开放模型都具有竞争力。

Llama 3.1 405B 与其他领先型号的基准比较：

Llama 3.1 8B 和 Llama 3.1 70B 与其他领先型号的基准比较：

开发人员现在可以通过 AWS、NVIDIA、Databricks、Groq、Dell、Azure 和 Google Cloud 使用新的 Llama 3.1 系列模型。Llama 3.1 405B 可通过 Azure AI 的模型即服务作为无服务器 API 端点使用。此外，Llama 3.1 8B 和 Llama 3.1 70B 的最新微调版本现已在 Azure AI 模型目录中提供。

Meta 创始人兼首席执行官马克·扎克伯格 (Mark Zuckerberg) 针对 Llama 3.1 版本发表了以下看法：

“如今，许多科技公司正在开发领先的封闭模型。但开源正在迅速缩小差距。去年，Llama 2 仅与落后的上一代模型相当。今年，Llama 3 可以与最先进的模型相媲美，并在某些领域处于领先地位。从明年开始，我们预计未来的 Llama 模型将成为业内最先进的。但即使在此之前，Llama 已经在开放性、可修改性和成本效益方面处于领先地位。”

Meta 的 Llama 3.1 版本标志着开源 AI 行业的一个重要里程碑。Meta 的性能可与领先的封闭模型相媲美，并致力于实现可访问性，从而实现 AI 功能的民主化，促进创新，并为协作和透明度树立新标准。

Llama 3.1 免费下载链接：【点击前往】

---

中国歌曲电影：https://www.transocks.com/payment

AI 生成对口型视频（支持多语言）：https://www.heygen.com/

GraphRAG共学相关文档：https://techdiylife.github.io/blog/blog.html?category1=c01&blogid=0061

相关项目：

1. Neural Style Transfer (NST)

   • 特点：使用深度学习来迁移风格，可以用于生成艺术风格的视频。
   • 功能：风格迁移，图像处理。
   • 使用方法：提供图像和风格参考，模型生成风格化的图像或视频。
   • 访问链接：NST GitHub

2. DeepArt.io

   • 特点：基于NST，提供Web界面进行风格迁移。
   • 功能：用户可以通过网页上传图片并选择风格进行迁移。
   • 使用方法：Web界面操作。
   • 访问链接：DeepArt.io

3. CycleGAN

   • 特点：无需成对数据的风格迁移模型，可用于生成不同域的视频。
   • 功能：跨域图像转换。
   • 使用方法：训练模型以实现不同风格或域之间的转换。
   • 访问链接：CycleGAN GitHub

4. pix2pixHD

   • 特点：用于高分辨率图像转换的GAN，可从草图生成真实图像。
   • 功能：图像到图像的转换。
   • 使用方法：提供草图和相应的真实图像进行训练。
   • 访问链接：pix2pixHD GitHub

5. First-Order Motion Model

   • 特点：通过学习源对象和目标对象之间的对应关系来迁移动作。
   • 功能：动作迁移。
   • 使用方法：提供源视频和目标图像，模型生成动作迁移后的视频。
   • 访问链接：FOMM GitHub

6. DAIN

   • 特点：用于视频插值的先进算法，可以实现更平滑的动态效果。
   • 功能：视频插值，生成中间帧。
   • 使用方法：提供视频序列，模型生成中间帧。
   • 访问链接：DAIN GitHub

7. VoxelMorph

   • 特点：用于医学图像配准的3D卷积神经网络。
   • 功能：图像配准，3D变换。
   • 使用方法：提供医学图像数据，模型进行配准。
   • 访问链接：VoxelMorph GitHub

8. Pose Animator

   • 特点：基于关键点的动画生成工具。
   • 功能：关键点检测，人物动作生成。
   • 使用方法：提供关键点数据，生成动画序列。
   • 访问链接：Pose Animator GitHub

9. Style-Based Generator Architectures

   • 特点：用于生成多样化图像的StyleGAN架构。
   • 功能：图像生成，风格控制。
   • 使用方法：训练模型以控制图像的风格和内容。
   • 访问链接：StyleGAN GitHub

10. OpenPose

    • 特点：实时多人关键点检测。
    • 功能：关键点检测，姿态估计。
    • 使用方法：提供视频或图像，模型检测人物关键点。
    • 访问链接：OpenPose GitHub

11. TensorFlow Graphics

    • 特点：用于处理和生成3D图形的TensorFlow库。
    • 功能：3D图形处理，图像生成。
    • 使用方法：使用库中的模型和工具进行3D图形任务。
    • 访问链接：TensorFlow Graphics GitHub

12. 3D-Front

    • 特点：大规模3D场景理解数据集。
    • 功能：3D场景分析，数据集构建。
    • 使用方法：利用数据集进行3D场景理解的研究。
    • 访问链接：3D-Front GitHub

13. Mocap-Autoencoder

    • 特点：用于动作捕捉数据的自动编码器。
    • 功能：动作捕捉，数据压缩。
    • 使用方法：提供动作捕捉数据，模型进行学习和压缩。
    • 访问链接：Mocap-Autoencoder GitHub

14. BodyNet

    • 特点：用于从单张图像中估计人体姿态和形状的网络。
    • 功能：人体姿态估计，3D人体建模。
    • 使用方法：提供人体图像，模型估计姿态和形状。
    • 访问链接：BodyNet GitHub

15. Human Motion Prediction

    • 特点：预测未来人体动作的模型。
    • 功能：动作预测，时间序列分析。
    • 使用方法：提供过去的动作序列，模型预测未来动作。
    • 访问链接：Human Motion Prediction GitHub

16. Video GAN

    • 特点：用于生成视频内容的生成对抗网络。
    • 功能：视频生成，动作迁移。
    • 使用方法：训练模型以生成视频或迁移动作。
    • 访问链接：Video GAN GitHub

17. 3D-R2N2

    • 特点：从单张图像中生成3D重建模型。
    • 功能：3D重建，图像到3D转换。
    • 使用方法：提供图像，模型生成3D模型。
    • 访问链接：3D-R2N2 GitHub

18. Face3D

    • 特点：用于从人脸图像生成3D人脸模型的深度学习框架。
    • 功能：3D人脸重建，面部特征提取。
    • 使用方法：提供人脸图像，模型生成3D人脸。
    • 访问链接：Face3D GitHub

19. VIBE

    • 特点：用于从视频序列估计人体动作的网络。
    • 功能：动作估计，3D姿态预测。
    • 使用方法：提供视频，模型估计人体动作。
    • 访问链接：VIBE GitHub

20. UV-Fitting-Network

    • 特点：用于3D人体建模的UV拟合网络。
    • 功能：3D人体建模，UV映射。
    • 使用方法：提供人体图像，模型进行UV拟合。
    • 访问链接：UV-Fitting-Network GitHub

对于初学者来说，选择容易上手的项目主要取决于个人的兴趣、编程背景和学习目标。以下是一些比较适合新手入门的项目，以及推荐的学习方法：

1. Neural Style Transfer (NST)

   • 适合新手，因为它的实现相对简单，且有很多在线教程。
   • 教程推荐：Neural Style Transfer Tutorial

2. DeepArt.io

   • 基于NST，提供了用户友好的Web界面，适合没有编程经验的人。
   • 使用方法：访问DeepArt.io，按照网站上的指南操作。

3. OpenPose

   • 实时多人关键点检测，适合对计算机视觉感兴趣的新手。
   • 教程推荐：OpenPose Tutorial

4. TensorFlow Graphics

   • TensorFlow官方库，文档和社区支持良好，适合学习3D图形处理。
   • 教程推荐：TensorFlow Graphics GitHub

5. 3D-R2N2

   • 从单张图像生成3D重建模型，适合对3D建模感兴趣的新手。
   • 教程推荐：项目GitHub仓库中的README文件通常包含使用指南。

6. Face3D

   • 专注于从人脸图像生成3D人脸模型，适合对面部识别和3D建模感兴趣的新手。
   • 教程推荐：Face3D GitHub

7. VIBE

   • 动作估计模型，适合对动作识别和预测感兴趣的新手。
   • 教程推荐：项目GitHub仓库中的文档和示例代码。

8. UV-Fitting-Network

   • 3D人体建模，适合对服装和3D建模感兴趣的新手。
   • 教程推荐：项目GitHub仓库中的示例和文档。

对于新手来说，以下是一些通用的学习方法和指南：

• 在线课程：参加如Coursera、edX、Udemy等平台上的在线课程，学习Python编程、机器学习和深度学习基础。

• 官方文档：阅读项目的官方文档，了解项目的背景、功能和使用场景。

• 示例代码：运行项目提供的示例代码，理解代码的工作原理。

• 社区参与：加入项目的GitHub社区、论坛或聊天室，向其他用户学习并提问。

• 动手实践：通过实际操作来学习，尝试修改代码并观察结果。

• 逐步深入：从简单的项目开始，逐步过渡到更复杂的项目。

• 记录学习过程：记录自己的学习过程和遇到的问题，有助于巩固知识。

• 开源贡献：当对项目有一定了解后，尝试为项目贡献代码或文档。

深度学习和3D建模是一个不断发展的领域，新手在学习过程中需要不断更新知识和技能。