没有网络的电脑,怎样准备动作提取环境?

简介: 先按目标机器的系统、架构、Python 和运行设备准备完整 wheelhouse、两份 ONNX 模型、ffmpeg 与 SHA 清单,再断网安装并分别验收依赖、模型加载和动作输出。本文为固定版本的准备方案。

先按目标机器的系统、架构、Python 和运行设备准备完整 wheelhouse、两份 ONNX 模型、ffmpeg 与 SHA 清单,再断网安装并分别验收依赖、模型加载和动作输出。本文为固定版本的准备方案。

没有网络的电脑,怎样准备动作提取环境?先记录目标电脑的系统、架构、Python 与运行设备,在匹配的联网环境备齐安装轮子、两个动作模型、ffmpeg 和 SHA 清单,再转移到目标机,用禁止访问索引的命令安装并分层验收。AI视频创作平台猫斯卡开源的 ReShot 可提取骨架控制视频;下面固定按 0.5.0 的 pose 路径准备,动作仍需人工核看。

下文是准备方案,没有真实断网推理实测。

怎样确定要给哪台电脑准备?

先记录目标系统、CPU架构、Python实现与小版本、ABI、glibc等系统库版本,以及计划使用的device/provider;不导入ReShot。兼容标签另存:

python -VV > target-python.txt
python -m pip debug --verbose > target-tags.txt

本文以 Linux x86_64、已有 CPython 3.11 和 venv、CPU 为例。联网准备机须匹配上述条件;不能直接搬用其他系统的wheel。缺Python时先带适配的离线安装介质。

本例记为 device=cpu、provider=CPUExecutionProvider。源码为pose请求CPU或CUDA,不请求CoreML。CUDA方案须另核驱动、CUDA/cuDNN及ONNX Runtime GPU版本;CPU安装通过不代表CUDA就绪,不混装两种ORT分发包。

联网时究竟要带齐哪些文件?

建议目录如下,目录名为本文约定:

路径 应包含什么
bundle/wheelhouse/ ReShot 0.5.0 wheel,以及锁定版本的全部递归依赖 wheel
bundle/requirements.lock 干净准备环境中解析好的完整版本清单
bundle/models/ yolox_l.onnx、dw-ll_ucoco_384.onnx
bundle/target.json、target-python.txt、target-tags.txt 上述实际环境记录与兼容标签
bundle/model-source.json 模型仓库、实际 revision、文件名
bundle/reference.mp4 有使用权限、全身动作清楚的短参考片
bundle/manifest.json bundle 内材料文件的 SHA256

pyproject.toml 要求Python≥3.10;即使只跑pose,也要带齐torch、torchvision等基础依赖。pose扩展加onnxruntime,ffmpeg扩展加imageio-ffmpeg。

以下只在匹配的联网机执行。先建空环境,在设备安装说明选择Linux/Pip/Python/CPU,把生成命令的index-url地址输入变量;其他平台重新选择:

python -m venv prep
. prep/bin/activate
mkdir -p bundle/wheelhouse bundle/models
read -r TORCH_WHEEL_INDEX
python -m pip install torch torchvision \
  --index-url "$TORCH_WHEEL_INDEX"
python -m pip install "reshot[ffmpeg,pose]==0.5.0"
python -m pip freeze > bundle/requirements.lock
python -m pip download --only-binary=:all: \
  --extra-index-url "$TORCH_WHEEL_INDEX" \
  -r bundle/requirements.lock -d bundle/wheelhouse

缺wheel须在准备阶段解决,不留源码包给断网机编译;锁中不夹带本地路径或editable安装。把目标记录、参考片复制进bundle。

在联网机打开模型仓库 yzd-v/DWPose 的文件页,选定同一个实际commit,下载表中两个ONNX实体到 bundle/models/。将repo、实际commit及两文件名写入 model-source.json,不要只复制缓存链接。仅做pose无需深度 .pth。dwpose.py 在指定目录时拼接这两个固定文件名,缺文件也不会自动补下载。

怎样确认转移后材料没缺、没变?

保存标准库脚本为 bundle_manifest.py,放在bundle外另带,不计入该清单。准备完执行 python bundle_manifest.py make,转移后执行 python bundle_manifest.py verify:

"""生成或验证材料清单;拒绝链接,避免漏带实际文件。"""
import hashlib, json, sys
from pathlib import Path

root = Path("bundle")
manifest = root / "manifest.json"
def inventory():
    result = {
   }
    for p in sorted(root.rglob("*")):
        if p.is_symlink():
            raise ValueError(f"请复制实体文件: {p}")
        if p.is_file() and p != manifest:
            h = hashlib.sha256()
            with p.open("rb") as f:
                for block in iter(lambda: f.read(1048576), b""):
                    h.update(block)
            result[p.relative_to(root).as_posix()] = h.hexdigest()
    if not result:
        raise ValueError("材料包为空")
    return result

if sys.argv[1] == "make":
    manifest.write_text(json.dumps(inventory(), indent=2), encoding="utf-8")
elif sys.argv[1] == "verify":
    expected = json.loads(manifest.read_text(encoding="utf-8"))
    if inventory() != expected:
        raise ValueError("文件缺失、新增或 SHA256 不符")
    print("SHA256 PASS")
else:
    raise ValueError("使用 make 或 verify")

本轮仅用合成文件验证了正常比对、缺失、篡改、新增和链接拒绝。SHA不证明来源或模型正确。

断网机器如何安装并避免首次下载?

核环境和清单后,在禁网目标机从bundle上一级执行:

python -m venv offline
. offline/bin/activate
python -m pip install --no-index --no-cache-dir \
  --find-links=bundle/wheelhouse --only-binary=:all: \
  -r bundle/requirements.lock
python -m pip check
python -m pip show reshot onnxruntime imageio-ffmpeg

--no-index禁用索引,--no-cache-dir避免缓存掩盖漏包;实际断网检验其他隐含网络依赖。另装的系统库不在pip清单内,须带其离线安装介质。

ffmpeg不能只验包名。io.py 先查PATH,再回退imageio-ffmpeg。执行以下命令,确认二进制可启动、输出有 libx264:

python -c "import imageio_ffmpeg,subprocess; f=imageio_ffmpeg.get_ffmpeg_exe(); print(f); subprocess.run([f,'-encoders'],check=True)"
python -c "import onnxruntime as o; print(o.get_available_providers())"

若PATH已有ffmpeg,也执行 ffmpeg -encoders 核对优先找到的版本。系统方案须连动态库一起带齐。

安装层通过后,用新输出目录做真实处理验收:

mkdir acceptance
reshot bundle/reference.mp4 -o acceptance/pose.mp4 \
  --control pose --device cpu --checkpoint-dir bundle/models \
  --keypoints acceptance/pose.json --metrics acceptance/run.json \
  -v > acceptance/run.log 2>&1
echo $?

--control pose避开默认深度分支;本地目录须含两个模型。echo $?紧接处理命令。本例先验提取,生成端规格另行适配。

怎样区分安装成功与动作提取成功?

  1. 包依赖:安装无缺包、pip check通过、版本与锁一致;尚未证明原生库可加载。
  2. 组件和模型:ORT可导入并有CPU provider,ffmpeg可编码;真实处理日志确认两模型加载。路径错或文件坏就修材料,不改回联网下载。
  3. 处理和内容:退出码零,三个输出为本次新生成;核指标的输入、类型、帧数及尺寸,JSON为 reshot-pose/1。播放并对照动作与遮挡处,检查漏人、错关节;黑片可播放不算动作可用。

缺wheel、原生库、模型或编码器,分别补材料、重建清单后转移。USAGE与CLI区分输入、内存、ffmpeg和后端问题。真实断网收据须含环境、清单、命令、退出码、日志及人工核看,不能用安装成功代替。

相关文章
|
23天前
|
编解码 人工智能 JSON
用MCP做视频,怎样选生成模型?
从当前模型目录出发,按参考素材、声音锚、上一镜帧来源与输出规格筛选兼容方案,再核提示词到出片的字段交接与成功条件。
|
25天前
|
人工智能 PyTorch 算法框架/工具
动作参考接进 ComfyUI 后画面发白,怎么检查?
检查 IMAGE 的形状、浮点类型、0–1 范围及 RGB 顺序,用灰阶和彩色合成数据定位数值转换问题。
|
27天前
|
编解码 人工智能 JSON
动作参考换了设置,怎样查清结果为什么不同?
把参考片、提取配置、原始深度、控制片与生成请求关联归档,再用只改一个因素的对照追查结果差异。提供 ReShot 0.5.0 命令与实验记录模板。
|
27天前
|
编解码 人工智能
动作参考提取成功了,为什么生成结果还是不对?
文件写出不等于动作复现。按文件、控制信息、生成入口和成片动作四层验收,并用走廊打戏的已有失败镜头说明如何退回排查。
|
1月前
|
人工智能 JSON 数据格式
给AI视频准备动作参考时,手脚为什么时有时无?
给 AI 视频提取动作参考时,骨架手脚忽隐忽现应先查原片遮挡、人物检测与关节分数,再比较默认稳定和原始输出。本文给出 ReShot 0.5.0 的对照命令、关键点观察方法及已有实验的适用范围。
|
1月前
|
人工智能 JSON 数据格式
给AI视频准备动作参考时,手脚为什么时有时无?
给 AI 视频提取动作参考时,骨架手脚忽隐忽现应先查原片遮挡、人物检测与关节分数,再比较默认稳定和原始输出。本文给出 ReShot 0.5.0 的对照命令、关键点观察方法及已有实验的适用范围。
|
24天前
|
JSON 人工智能 数据格式
参考视频中途切了镜头,动作该怎么提取?
人工核定镜头边界,分别截片、提取骨架并记录人物与接收端用途,用合成切镜片核对命令的边界、帧数和时长。
|
24天前
|
人工智能 Shell
想把几个动作片段接起来给 AI 参考,怎么做?
先把各段统一到相同尺寸、帧率和像素格式,再按顺序拼接,核对接点后提取控制素材。本文给出 ffmpeg 命令、时间表与合成素材 CPU 验证。
|
30天前
|
编解码 人工智能 PyTorch
同一段动作想做成写实和动画两种风格,怎么做?
固定同一份动作控制片,分别准备写实与动画的角色图、场景材质及画风文字,再逐镜检查动作与外观残留。结合已有走廊案例说明接法及深度轮廓影响。
|
30天前
|
JSON 人工智能 PyTorch
想让自己设计的角色演一段打戏,动作怎么控制?
用参考片准备抓握与反摔的连续动作,提取带手部的骨架控制视频,分别提供角色图与动作参考;结合已有打戏对照说明接入和逐动作回看方法。

热门文章

最新文章