文章目录
- 1. ER-NeRF简介
- 2. ER-NeRF部署
- 3. 训练自己的数字人
- 4. 生成数字人视频
- 5. 其他数字人模型比较
- 常见错误
1. ER-NeRF简介
ER-NeRF（官方链接）是一个Talking Portrait Synthesis（对嘴型）项目。即：给一段某人说话的视频，再给定一段音频，经过该模型后处理后，可将原视频的嘴型与音频保持一致。
该模型的有优点：
- 可以做到实时响应。即模型比较小，处理速度快。
缺点：
- 需要对“要对嘴型的视频”进行训练。也就是每段视频对应一个模型
- 生成出的头部不够稳定。
2. ER-NeRF部署
ER-NeRF的环境要求：
- Pytroch 1.12
- CUDA 11.x （必须，否则pytorch3d相关的代码会报错）
部署步骤如下：
- 按顺序执行以下命令（一个一个执行）
# 这个知识针对pytorch的，本机的cuda不一定非要是11.6，但必须是11.x
conda install cudatoolkit=11.6 -c pytorch
# 安装pytorch
pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 --index-url https://download.pytorch.org/whl/cu116
# 安装pytorch3d，这一步一定要成功。否则后面处理数据会报错
pip install "git+https://github.com/facebookresearch/pytorch3d.git"
# 安装tensorflow
pip install tensorflow-gpu==2.8.0
# 安装一些必要的依赖
apt-get update
apt install portaudio19-dev
apt-get install ffmpeg
# 克隆项目
git clone https://github.com/Fictionarry/ER-NeRF.git
# 克隆项目，安装项目所需依赖
cd ER-NeRF
pip install -r requirements.txt
# 重新安装protobuf，使用3.20.3版本
pip uninstall protobuf
pip install protobuf==3.20.3
- 下载模型。网盘链接地址，结构如下：
-- checkpoints # 将其放在 `~/.cache/torch/hub/checkpoints` 目录下（这部可以不做，源码也会自己下载）
-- data_utils # 将其下面的文件放在 `ER-NeRF/data_utils`对应目录下
-- face_parsing
-- face_tracking
3. 训练自己的数字人
如果就想用现有的模型（只有obama），可以跳转到第4节。
源码中提供了一个训练好的视频（obama）。若想训练自己的数字人模型，需要遵循以下步骤（以源码中提供的obama视频为例）：
- 下载视频（要训练的视频片段），将其放在
data目录下。以data/<ID>/<ID>.mp4明明。例如：kunkun.mp4就放在ER-NeRF/data/kunkun/kunkun.mp4
wget https://github.com/YudongGuo/AD-NeRF/blob/master/dataset/vids/Obama.mp4?raw=true -O data/obama/obama.mp4
视频要求（必须满足）：① 帧率：25FPS；② 每一帧都要是人物说话；③ 分辨率：512x512；④ 时长：1-5分钟；⑤ 人物背景要稳定。
- 使用
data_utils/process.py脚本处理视频
python data_utils/process.py data/<ID>/<ID>.mp4
这一步耗时较长，且容易出错（前面环境没配好就会导致某步出错，找出相应的环境配置，配好就行）。process.py包含多个任务，每个任务会生成若干文件，放在data/<ID>/*下面。可以根据对应的文件是否生成或日志来判断该任务是否正常完成：
- task 1：分离视频。生成
aud.wav文件。若报错，通常是ffmpeg问题。 - task 2：生成一些音频数据，
aud.npy文件。若报错，一般是protobuf版本问题。 - task 3：提取视频中的每帧图像。生成
ori_imgs/XXX.jpg文件，会有很多jpg文件。 - task 4：分割人像（语义分割）。生成
parsing/XX.png文件，会有很多png文件。 - task 5：提取背景图像。生成
bc.jpg文件。是人物的背景图片。 - task 6：分割出身体部分与生成Ground Truth图片。生成
gt_imgs/XXX.jpg和torso_imgs/XXX.png（只有躯干没有人脸的图片）。 - task 7：获取人脸各个点位的坐标。生成
ori_imgs/XXX.lms。 - task 8：获取人脸跟踪数据，这步要训练一个追踪模型，会很慢。生成
track_params.pt文件。这部报错通常是pytorch3d的问题，注意cuda版本。 - task 9：生成
transformers_train.json和transforms_val.json。
如果某个任务报错，可以配置环境后使用：
python data_utils/process.py data/<ID>/<ID>.mp4 --task <taskId>来重试。例如（重试任务2）：python data_utils/process.py data/obama/obama.mp4 --task 2
-
将生成的
aud.npy复制一份，改名aud_ds.npy（源码好像有点问题，所以要这么做）。 -
使用OpenFace生成
<ID>.csv文件。具体步骤：① 下载OpenFace（Windows版本链接）；② 解压文件，打卡里面的OpenFaceOffline.exe；③ Record里只勾选Record AUs
；④ 打开文件，之后就开始运行。⑤ 等待运行结束，会在./processd文件夹中生成<ID>.csv文件，将其更名为au.csv。⑥ 将其放在data/<ID>/文件夹下。 -
训练模型，依次执行以下代码：
# 命令1：训练模型
python main.py data/obama/ --workspace trial_obama/ -O --iters 100000
# 命令2：在命令1完成后，再多训练“25000”次，微调一下lips
python main.py data/obama/ --workspace trial_obama/ -O --iters 125000 --finetune_lips --patch_size 32
trial_obama是工作路径，也就是生成的模型存放路径。运行完后会生成trial_obama文件夹，文件树如下：
-- checkpoints/ # 模型文件
├── ngp_ep0013.pth # 第13个epoch的文件（会保存最后两个epoch的文件）
├── ngp_ep0014.pth
└── ngp.pth # 最终的模型文件
-- log_ngp.txt # 训练过程中的日志文件
-- opt.txt # 训练时传的启动参数
-- result # 训练结果文件
├── ngp_ep0014_depth.mp4
└── ngp_ep0014.mp4 # 可以下载这个文件看效果
-- run/ngp/events.out.xxxxx # 训练过程中的数据
-- validation
上面两个命令运行完后，运行下面：
python main.py data/obama/ --workspace trial_obama_torso/ -O --torso --head_ckpt trial_obama/checkpoints/ngp.pth --iters 200000
trial_obama/checkpoints/ngp.pth为上面生成的最终模型文件
4. 生成数字人视频
当模型生成出来后，就可以用我们自己的语音来生成视频了。需要遵循以下3步骤：
- 上传音频，提取音频数据（生成对应的
npy文件）
例如：
python data_utils/deepspeech_features/extract_ds_features.py --input /root/demo2.wav
将demo2.wav更改为你的音频文件。执行结束后，会在同目录生成
demo2.npy文件
- 执行模型推理，生成对口型后的视频文件。不过生成的视频没有声音。
python main.py data/obama/ --workspace trial_obama_torso/ -O --torso --test --test_train --aud /root/demo2.npy
最后的
/root/demo2.npy就是第一步生成的npy文件
- 将音频和视频合并起来。
ffmpeg -i /root/ER-NeRF/trial_obama_torso/results/ngp_ep0028.mp4 -i /root/demo2.wav -c:v copy -c:a aac -strict experimental /root/output.mp4
ngp_ep0028.mp4是第二步生成的视频（日志里可以看到在哪）。
demo2.wav是上传的音频。
/root/output.mp4是你想要输出文件的路径
5. 其他数字人模型比较
| 模型名称 | 推理速度 | 单独训练 | 优点 | 缺点 |
|---|---|---|---|---|
| video-retalking | 慢 | 无需单独训练 | 1. 部署简单 2.无需训练，可直接对任意视频使用 3.项目成熟，兼容性强 4. 包含视频处理部分，无需自行处理视频 | 1. 推理速度慢，无法做到实时。 2.效果不稳定，有些视频效果很差 |
| ER-NeRF | 快 | 需要自主训练模型 | 1. 模型小，推理速度快，可满足实时要求 2. 嘴型效果较好，但头部晃动严重 | 1. 项目不成熟，为论文源码，坑比较多 2. 兼容性较差，对部署环境要求严格 3. 数据处理与训练耗时较长，5分钟的视频大约需要1天 |
| Wav2Lip | - | - | 1. 项目成熟 | 1. 项目太老（4年前的） |
常见错误
- ValueError: Found array with 0 sample(s) (shape=(0, 2)) while a minimum of 1 is required by NearestNeighbors.:
Traceback (most recent call last):
File "data_utils/process.py", line 417, in <module>
extract_background(base_dir, ori_imgs_dir)
File "data_utils/process.py", line 112, in extract_background
nbrs = NearestNeighbors(n_neighbors=1, algorithm='kd_tree').fit(fg_xys)
File "/root/miniconda3/lib/python3.8/site-packages/sklearn/base.py", line 1152, in wrapper
return fit_method(estimator, *args, **kwargs)
File "/root/miniconda3/lib/python3.8/site-packages/sklearn/neighbors/_unsupervised.py", line 175, in fit
return self._fit(X)
File "/root/miniconda3/lib/python3.8/site-packages/sklearn/neighbors/_base.py", line 498, in _fit
X = self._validate_data(X, accept_sparse="csr", order="C")
File "/root/miniconda3/lib/python3.8/site-packages/sklearn/base.py", line 605, in _validate_data
out = check_array(X, input_name="X", **check_params)
File "/root/miniconda3/lib/python3.8/site-packages/sklearn/utils/validation.py", line 967, in check_array
raise ValueError(
ValueError: Found array with 0 sample(s) (shape=(0, 2)) while a minimum of 1 is required by NearestNeighbors.
原因：视频中的部分帧没有人脸。一般容易出现在视频开头或结尾。可以通过查看生成的parsing文件夹的图片进行确认。详见issus
