上期视频我们分享了一个AI算法，本期我们就分享一下实现代码
此AI算法称之为CoNR，该技术通过基于多个动画指定姿势来创建舞蹈视频。
——1——
什么是CoNR？
下面是CoNR的示意图。将目标姿势 ( Itar ) 转换为由紧凑地标数字表示的 UDP 表示 ( Ptar)
另一方面，几个动画（Sref）输入到 U-Net 格式网络，由Encoder 编码，并由 Decoder 与 UPD 表示（Ptar）一起解码。此时，通过共享多个解码器 D1 到 D3的权重来创建目标姿势动画。
源代码 https://github.com/megvii-research/CONR——2——
代码实现
#@title Repo 初始化
#@markdown 克隆github上的项目repo，并安装相应的依赖。
!git clone https://github.com/megvii-research/CoNR.git
%cd CoNR
!pip install -r requirements.txt
#下载权重
/content/CoNR/weights
From: https://drive.google.com/uc?id=1M1LEpx70tJ72AIV2TQKr6NE_7mJ7tLYx
To: /content/CoNR/weights/rgbadecodernet.pth
From: https://drive.google.com/uc?id=1YvZy3NHkJ6gC3pq_j8agcbEJymHCwJy0
To: /content/CoNR/weights/shader.pth
From: https://drive.google.com/uc?id=1AOWZxBvTo9nUf2_9Y7Xe27ZFQuPrnx9i
To: /content/CoNR/weights/target_pose_encoder.pth
From: https://drive.google.com/uc?id=19jM1-GcqgGoE1bjmQycQw_vqD9C5e-Jm
To: /content/CoNR/weights/udpparsernet.pthStep1:首先是copy github的源代码，并安装需要的第三方包与预训练权重，这样，我们就初始化完成了整个项目。
UDP = 'double_ponytail' #@param ['double_ponytail', 'short_hair', 'self_defined']
#@markdown 下载示例超密集姿势序列
if UDP == 'short_hair':
%cd ..
!gdown https://drive.google.com/uc?id=11HMSaEkN__QiAZSnCuaM6GI143xo62KO
!unzip short_hair.zip
!mv short_hair/ poses/
!ls
elif UDP == 'double_ponytail':
%cd ..
!gdown https://drive.google.com/uc?id=1WNnGVuU0ZLyEn04HzRKzITXqib1wwM4Q
!unzip double_ponytail.zip
!mv double_ponytail/ poses/
!ls
else:
print("Please upload your UDP sequences or poses images to /content/CoNR/poses/ .")
character = 'double_ponytail' #@param ['double_ponytail', 'short_hair', 'self_defined']
From: https://drive.google.com/uc?id=1XMrJf9Lk_dWgXyTJhbEK2LZIXL9G3MWc
To: /content/CoNR/double_ponytail_images.zipStep2:代码需要选择一个超密集姿势，这里官方提供两个示例序列：`双马尾:double_ponytail`和`短发:short_hair`。当然，我们自己也可以制作自己的动漫图片，并上传自己的超密集姿势序列或者姿势图像到路径`/content/CoNR/poses/`下.
Step3:选择人物设定表，人物设定表指的是某一个人物多角度/姿势下的手绘图片。官方提供两种示例人物设定表：`双马尾:double_ponytail`和`短发:short_hair`。当然我们也可以选择`自定义:self_defined`并上传自己绘制的人物设定表到路径`/content/CoNR/character_sheet/`下。人物设定表中的人应当是同一个人，且应当和超密集姿势序列尽可能相似，否则生成结果将不可控。例如，对于短发的超密集姿势序列，推荐您使用短发的人物设定表作为输入。
import cv2
import numpy as np
import os
path ='/content/CoNR/character_sheet/'
files= os.listdir(path)
imgs = []
for file in files:
if not os.path.isdir(file):
img = cv2.imread(path+"/"+file, cv2.IMREAD_UNCHANGED);
imgs.append(img)
print("Num of character sheets:", len(imgs))
imgs = np.concatenate(imgs, 1)
cv2.imwrite('character_sheet.png', imgs)
from IPython.display import Image
Image(filename='character_sheet.png')
!mkdir results
!python3 -m torch.distributed.launch \
--nproc_per_node=1 train.py --mode=test \
--world_size=1 --dataloaders=2 \
--test_input_poses_images=./poses/ \
--test_input_person_images=./character_sheet/ \
--test_output_dir=./results/ \
--test_checkpoint_dir=./weights/ Step4:图片，模型设置完成后，我们就可以进行模型的推理计算了，此模型根据输入的图片生成一系列动漫舞蹈图片，当然这些图片都是连贯的，我们只需要把这些图片使用ffmpeg来制作成视频即可，此模型运行需要很长时间，当然根据个人的电脑配置，本例程运行在Google colab上面，根据你的运行条件，每个人的运行时间不一样，当然你随时可以中断模型运行，使用模型中断前已经生成的图片，便可以制作舞蹈视频了，只是视频长度较短
!ffmpeg -r 30 -y -i ./results/%d.png -r 30 -c:v libx264 output.mp4 -r 30
from IPython.display import HTML
from base64 import b64encode
def show_video(video_path, video_width = 600):
video_file = open(video_path, "r+b").read()
video_url = f"data:video/mp4;base64,{b64encode(video_file).decode()}"
return HTML(f"""<video width={video_width} controls><source src="{video_url}"></video>""")
show_video('output.mp4')Step5:最后，我们使用ffmpeg把模型生成的系列图片来制作成动漫视频，最后，我们预览一下生成的视频即可，当然，生成的视频，可以下载到本地，方便后期进行处理
当然也有在线版本，把人物舞蹈的视频，实时转换成动漫视频，这个可以自行尝试
Transormer模型重点介绍了encoder与decoder，有6个编码器与6个解码器组成，其Transormer模型主要应用在NLP领域，但是随着Transormer模型的大火，其模型成功应用在了CV计算机视觉领域，其Transormer模型，Vision Transormer模型，SWIN Transormer模型都会在如下专栏进行详细动画分享