Python入门使用SDPose-Wholebody进行简单姿态检测想用Python快速实现精准的人体姿态检测吗今天我们来聊聊SDPose-Wholebody这个模型它能一次性检测全身133个关键点包括身体、手、脸和脚而且对艺术风格、动画角色这些传统模型容易出错的情况特别擅长。如果你是Python新手可能会觉得姿态检测这种计算机视觉任务很复杂需要很多专业知识。其实不然SDPose-Wholebody提供了相对简单的使用方式我们只需要几行代码就能跑起来。这篇文章就是为你准备的我会带你从环境搭建开始一步步实现一个完整的姿态检测程序最后还能把检测结果可视化出来。整个过程不需要你懂太多深度学习原理只要会基本的Python操作就行。我们主要用到的就是Hugging Face上现成的模型加上一些常见的Python库。准备好了吗让我们开始吧。1. 环境准备安装必要的库在开始写代码之前我们需要先把环境准备好。SDPose-Wholebody依赖一些特定的Python库安装起来并不复杂。首先确保你的Python版本在3.8以上。我建议使用Python 3.10因为很多深度学习库对这个版本支持最好。你可以用下面的命令检查Python版本python --version如果版本没问题我们开始安装必要的库。SDPose-Wholebody主要基于PyTorch和MMPose框架还需要一些图像处理库。# 安装PyTorch根据你的CUDA版本选择 # 如果你有NVIDIA显卡并且安装了CUDA 11.8可以用这个命令 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118 # 如果没有GPU或者CUDA版本不同可以用CPU版本 pip install torch torchvision torchaudio # 安装MMPose和相关依赖 pip install openmim mim install mmengine mim install mmcv mim install mmpose # 安装其他必要的库 pip install opencv-python pillow matplotlib numpy pip install diffusers transformers安装过程可能需要一些时间特别是PyTorch的安装包比较大。如果遇到网络问题可以尝试使用国内的镜像源比如清华源或者阿里云源。# 使用清华源安装 pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple安装完成后我们可以写个简单的测试脚本确保关键库都能正常导入# test_imports.py import torch import cv2 import numpy as np from PIL import Image import matplotlib.pyplot as plt print(fPyTorch版本: {torch.__version__}) print(fCUDA是否可用: {torch.cuda.is_available()}) print(fOpenCV版本: {cv2.__version__}) # 如果有GPU显示GPU信息 if torch.cuda.is_available(): print(fGPU设备: {torch.cuda.get_device_name(0)})运行这个脚本如果一切正常你应该能看到各个库的版本信息。接下来我们需要下载SDPose-Wholebody的模型文件。2. 下载和加载SDPose-Wholebody模型SDPose-Wholebody的模型文件托管在Hugging Face上我们可以直接从那里下载。模型文件大约5GB左右所以需要一些下载时间。首先我们需要安装huggingface-hub这个库它提供了方便的模型下载功能pip install huggingface-hub然后我们可以用Python代码下载模型。这里我提供一个完整的下载和加载脚本# download_model.py import os from huggingface_hub import snapshot_download import torch def download_sdpose_model(): 下载SDPose-Wholebody模型 # 模型在Hugging Face上的路径 model_repo teemosliang/SDPose-Wholebody # 本地保存路径 local_dir ./sdpose_wholebody_model print(f开始下载SDPose-Wholebody模型...) print(f模型仓库: {model_repo}) print(f保存到: {local_dir}) # 下载模型文件 snapshot_download( repo_idmodel_repo, local_dirlocal_dir, local_dir_use_symlinksFalse, resume_downloadTrue ) print(模型下载完成) # 检查下载的文件 if os.path.exists(local_dir): files os.listdir(local_dir) print(f下载的文件: {files}) return local_dir if __name__ __main__: model_path download_sdpose_model() print(f模型保存在: {model_path})运行这个脚本模型就会下载到本地的sdpose_wholebody_model文件夹中。下载完成后我们需要加载模型。不过SDPose-Wholebody的加载稍微复杂一些因为它基于MMPose框架需要按照特定的方式初始化。由于完整的模型加载代码比较长我在这里先给你展示一个简化的版本让你了解基本流程# load_model_simple.py import torch from mmpose.apis import inference_topdown, init_model from mmpose.utils import register_all_modules def load_sdpose_model(model_path): 加载SDPose-Wholebody模型 # 注册所有MMPose模块 register_all_modules() # 模型配置文件路径需要根据实际文件调整 config_file f{model_path}/config.py # 注意实际文件名可能不同 # 检查文件是否存在如果不存在可能需要手动创建或从其他地方获取 if not os.path.exists(config_file): print(警告配置文件不存在可能需要手动处理) # 这里可以添加从GitHub下载配置文件的代码 # 或者使用默认配置 # 模型权重文件 checkpoint_file f{model_path}/pytorch_model.bin # 初始化模型 model init_model( config_file, checkpoint_file, devicecuda if torch.cuda.is_available() else cpu ) print(f模型加载完成设备: {model.device}) return model # 注意这只是一个示例实际使用时需要根据具体的文件结构调整在实际使用中你可能需要从SDPose的GitHub仓库获取完整的配置文件。不过别担心对于入门使用我们可以先用更简单的方式。3. 编写一个简单的姿态检测函数现在到了最核心的部分写一个函数输入一张图片输出人体的姿态关键点。SDPose-Wholebody检测的是133个关键点包括17个身体关节点、6个脚部点、68个面部点和42个手部点。我们先从最简单的开始写一个处理单张图片的函数# pose_detection.py import cv2 import numpy as np import torch from PIL import Image import matplotlib.pyplot as plt def detect_pose_simple(image_path, model): 简单的姿态检测函数 Args: image_path: 图片路径 model: 加载好的模型 Returns: keypoints: 检测到的关键点 image_with_pose: 绘制了姿态的图片 # 读取图片 image cv2.imread(image_path) if image is None: raise ValueError(f无法读取图片: {image_path}) # 转换颜色空间OpenCV是BGR需要转成RGB image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) print(f图片尺寸: {image.shape}) print(f图片路径: {image_path}) # 这里简化处理实际需要调用模型进行推理 # 由于SDPose需要先检测人体边界框我们这里先假设整张图片就是一个人 # 创建一个假的检测结果用于演示 # 在实际使用中这里应该调用模型进行推理 height, width image.shape[:2] # 模拟检测到一个人边界框 bbox [50, 50, width-100, height-100] # [x, y, w, h] # 模拟133个关键点实际应该从模型输出获取 # 这里我们创建一些随机点作为示例 num_keypoints 133 keypoints [] for i in range(num_keypoints): # 在边界框内随机生成点 x bbox[0] np.random.rand() * bbox[2] y bbox[1] np.random.rand() * bbox[3] confidence np.random.rand() # 置信度 keypoints.append([x, y, confidence]) keypoints np.array(keypoints) # 在图片上绘制关键点 image_with_pose draw_keypoints(image_rgb, keypoints, bbox) return keypoints, image_with_pose def draw_keypoints(image, keypoints, bboxNone): 在图片上绘制关键点 # 创建副本避免修改原图 result image.copy() # 绘制边界框如果有 if bbox is not None: x, y, w, h bbox cv2.rectangle(result, (int(x), int(y)), (int(xw), int(yh)), (0, 255, 0), 2) # 定义不同部位的颜色 colors { body: (255, 0, 0), # 红色 - 身体关节点 face: (0, 255, 0), # 绿色 - 面部点 hand: (0, 0, 255), # 蓝色 - 手部点 foot: (255, 255, 0) # 青色 - 脚部点 } # 绘制关键点 # 注意这里简化了实际应该根据关键点索引区分不同部位 for i, kp in enumerate(keypoints): x, y, conf kp # 只绘制置信度高的点 if conf 0.3: # 根据索引决定颜色简化处理 if i 17: # 身体关节点 color colors[body] radius 4 elif i 1768: # 面部点 color colors[face] radius 2 elif i 176842: # 手部点 color colors[hand] radius 3 else: # 脚部点 color colors[foot] radius 3 cv2.circle(result, (int(x), int(y)), radius, color, -1) return result # 测试函数 if __name__ __main__: # 这里我们用一个示例图片 # 你可以替换成你自己的图片路径 test_image test_person.jpg # 请确保这个图片存在 # 由于我们还没有实际加载模型这里用None代替 model None try: keypoints, result_image detect_pose_simple(test_image, model) print(f检测到 {len(keypoints)} 个关键点) # 显示结果 plt.figure(figsize(10, 8)) plt.imshow(result_image) plt.axis(off) plt.title(姿态检测结果) plt.show() # 保存结果 result_image_bgr cv2.cvtColor(result_image, cv2.COLOR_RGB2BGR) cv2.imwrite(result_with_pose.jpg, result_image_bgr) print(结果已保存到 result_with_pose.jpg) except Exception as e: print(f错误: {e}) print(提示请确保 test_person.jpg 图片存在或者替换成你自己的图片路径)这个示例代码展示了基本的流程但用的是模拟的关键点。在实际使用中你需要用真实的模型推理替换掉模拟部分。4. 使用Gradio创建简单的Web界面如果你想让别人也能方便地使用你的姿态检测程序可以创建一个简单的Web界面。Gradio是一个很好的选择它能让你的Python函数快速变成Web应用。首先安装Gradiopip install gradio然后创建一个简单的界面# gradio_app.py import gradio as gr import cv2 import numpy as np from PIL import Image import tempfile import os # 导入我们之前写的函数这里简化处理 from pose_detection import detect_pose_simple, draw_keypoints def process_image(input_image): 处理上传的图片进行姿态检测 Args: input_image: 上传的图片PIL Image或numpy数组 Returns: output_image: 带有姿态标注的图片 # 保存临时文件 with tempfile.NamedTemporaryFile(suffix.jpg, deleteFalse) as tmp_file: if isinstance(input_image, np.ndarray): # 如果是numpy数组来自Gradio cv2.imwrite(tmp_file.name, cv2.cvtColor(input_image, cv2.COLOR_RGB2BGR)) else: # 如果是PIL Image input_image.save(tmp_file.name) temp_path tmp_file.name try: # 这里简化处理实际应该调用真实的模型 # 为了演示我们创建一个模拟的结果 # 读取图片 image cv2.imread(temp_path) image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) height, width image.shape[:2] # 创建模拟的关键点 num_keypoints 133 keypoints [] # 在图片中央区域生成关键点 center_x, center_y width // 2, height // 2 bbox [center_x - 100, center_y - 150, 200, 300] # 模拟的人体边界框 # 身体关节点17个 body_points [ [0.5, 0.1], # 鼻子 [0.4, 0.1], # 左眼 [0.6, 0.1], # 右眼 [0.3, 0.1], # 左耳 [0.7, 0.1], # 右耳 [0.35, 0.3], # 左肩 [0.65, 0.3], # 右肩 [0.25, 0.5], # 左肘 [0.75, 0.5], # 右肘 [0.15, 0.7], # 左手腕 [0.85, 0.7], # 右手腕 [0.4, 0.6], # 左髋 [0.6, 0.6], # 右髋 [0.35, 0.8], # 左膝 [0.65, 0.8], # 右膝 [0.3, 0.95], # 左脚踝 [0.7, 0.95], # 右脚踝 ] # 生成所有关键点 for i in range(num_keypoints): if i 17: # 身体点 rel_x, rel_y body_points[i] x bbox[0] rel_x * bbox[2] y bbox[1] rel_y * bbox[3] confidence 0.9 else: # 其他点简化处理 x bbox[0] np.random.rand() * bbox[2] y bbox[1] np.random.rand() * bbox[3] confidence np.random.rand() * 0.5 0.4 keypoints.append([x, y, confidence]) keypoints np.array(keypoints) # 绘制关键点 result_image draw_keypoints(image_rgb, keypoints, bbox) return result_image finally: # 清理临时文件 if os.path.exists(temp_path): os.unlink(temp_path) # 创建Gradio界面 def create_gradio_interface(): 创建Gradio Web界面 # 界面描述 description # SDPose-Wholebody 姿态检测演示 上传一张包含人物的图片系统会自动检测人体的133个关键点。 **关键点包括** - 17个身体关节点红色 - 68个面部关键点绿色 - 42个手部关键点蓝色 - 6个脚部关键点青色 **使用说明** 1. 点击上传图片或拖拽图片到上传区域 2. 等待处理完成 3. 查看检测结果 # 创建界面 iface gr.Interface( fnprocess_image, inputsgr.Image(label上传图片, typenumpy), outputsgr.Image(label检测结果), titleSDPose-Wholebody 姿态检测, descriptiondescription, examples[ [example1.jpg], # 你需要准备示例图片 [example2.jpg], ], cache_examplesFalse, ) return iface if __name__ __main__: # 启动Web界面 iface create_gradio_interface() iface.launch( server_name0.0.0.0, # 允许外部访问 server_port7860, # 端口号 shareFalse # 不创建公开链接 )运行这个脚本然后在浏览器中打开http://localhost:7860就能看到一个简单的Web界面了。你可以上传图片测试姿态检测功能。5. 处理实际图片和常见问题在实际使用中你可能会遇到各种情况。这里我分享一些处理实际图片的经验和常见问题的解决方法。5.1 处理不同尺寸的图片SDPose-Wholebody对输入图片的尺寸有要求通常是1024×768但用户上传的图片可能是各种尺寸。我们需要先调整图片尺寸def preprocess_image(image_path, target_size(1024, 768)): 预处理图片调整尺寸并归一化 # 读取图片 image cv2.imread(image_path) if image is None: raise ValueError(f无法读取图片: {image_path}) # 转换颜色空间 image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 原始尺寸 original_h, original_w image.shape[:2] # 调整尺寸保持宽高比 target_w, target_h target_size # 计算缩放比例 scale min(target_w / original_w, target_h / original_h) new_w int(original_w * scale) new_h int(original_h * scale) # 调整尺寸 resized cv2.resize(image_rgb, (new_w, new_h), interpolationcv2.INTER_LINEAR) # 填充到目标尺寸 padded np.zeros((target_h, target_w, 3), dtypenp.uint8) # 计算填充位置居中 pad_x (target_w - new_w) // 2 pad_y (target_h - new_h) // 2 padded[pad_y:pad_ynew_h, pad_x:pad_xnew_w] resized # 记录填充信息用于后续还原关键点坐标 pad_info { original_size: (original_w, original_h), resized_size: (new_w, new_h), padded_size: (target_w, target_h), pad_x: pad_x, pad_y: pad_y, scale: scale } return padded, pad_info def postprocess_keypoints(keypoints, pad_info): 后处理关键点将坐标还原到原始图片尺寸 original_w, original_h pad_info[original_size] pad_x, pad_y pad_info[pad_x], pad_info[pad_y] scale pad_info[scale] processed_keypoints [] for kp in keypoints: x, y, conf kp # 去除填充偏移 x_original (x - pad_x) / scale y_original (y - pad_y) / scale # 确保坐标在图片范围内 x_original max(0, min(x_original, original_w - 1)) y_original max(0, min(y_original, original_h - 1)) processed_keypoints.append([x_original, y_original, conf]) return np.array(processed_keypoints)5.2 处理多人情况SDPose-Wholebody是top-down的方法需要先检测人体边界框然后对每个边界框进行姿态估计。在实际场景中一张图片可能有多个人def detect_multiple_people(image_path, model, detector): 检测图片中的多个人体姿态 # 读取图片 image cv2.imread(image_path) image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 第一步使用人体检测器检测边界框 # 这里可以使用YOLO、Faster R-CNN等检测器 # 示例假设我们已经有了检测结果 bboxes [ [100, 100, 200, 400], # [x, y, w, h] - 第一个人 [300, 150, 180, 380], # 第二个人 ] all_keypoints [] all_bboxes [] # 对每个边界框进行姿态估计 for bbox in bboxes: x, y, w, h bbox # 裁剪出单个人体区域 person_crop image_rgb[y:yh, x:xw] # 调整尺寸以适应模型输入 # 这里需要根据模型要求调整 # 调用姿态估计模型简化表示 # keypoints model(person_crop) # 将关键点坐标转换回原图坐标系 # for kp in keypoints: # kp[0] x # x坐标偏移 # kp[1] y # y坐标偏移 # all_keypoints.append(keypoints) # all_bboxes.append(bbox) # 这里返回模拟结果 return all_keypoints, all_bboxes5.3 常见问题解决内存不足SDPose-Wholebody模型较大如果遇到内存不足的问题可以尝试使用较小的输入尺寸批量处理时减少batch size使用CPU模式虽然速度慢但内存要求低检测不准确如果检测结果不理想可以尝试确保图片质量足够高调整人体检测器的阈值对于特殊姿势可能需要调整模型参数速度太慢如果推理速度慢可以使用GPU加速减小输入图片尺寸使用模型量化或剪枝技术6. 完整示例从图片到可视化让我们把所有内容整合起来创建一个完整的示例脚本。这个脚本可以处理单张图片检测姿态并保存可视化结果。# complete_example.py import cv2 import numpy as np import matplotlib.pyplot as plt from PIL import Image import os def complete_pose_detection_pipeline(image_path, output_pathoutput_result.jpg): 完整的姿态检测流程 print( * 50) print(开始姿态检测流程) print(f输入图片: {image_path}) print(f输出路径: {output_path}) print( * 50) # 步骤1检查图片是否存在 if not os.path.exists(image_path): print(f错误图片不存在 - {image_path}) return None # 步骤2读取和显示原始图片 print(\n1. 读取原始图片...) image cv2.imread(image_path) if image is None: print(f错误无法读取图片 - {image_path}) return None image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) original_h, original_w image.shape[:2] print(f 原始尺寸: {original_w} x {original_h}) # 步骤3预处理图片 print(\n2. 预处理图片...) target_size (1024, 768) processed_image, pad_info preprocess_image(image_path, target_size) print(f 处理后尺寸: {processed_image.shape[1]} x {processed_image.shape[0]}) # 步骤4姿态检测这里用模拟数据 print(\n3. 进行姿态检测...) # 模拟检测结果 num_keypoints 133 simulated_keypoints [] # 在图片中央创建一个模拟的人体姿态 center_x, center_y target_size[0] // 2, target_size[1] // 2 bbox [center_x - 150, center_y - 200, 300, 400] # 生成模拟的关键点 for i in range(num_keypoints): if i 17: # 身体关节点 # 使用一些预设的相对位置 if i 0: # 鼻子 x, y center_x, center_y - 180 elif i 5: # 左肩 x, y center_x - 60, center_y - 120 elif i 6: # 右肩 x, y center_x 60, center_y - 120 elif i 11: # 左髋 x, y center_x - 40, center_y 40 elif i 12: # 右髋 x, y center_x 40, center_y 40 else: # 其他点随机生成 x bbox[0] np.random.rand() * bbox[2] y bbox[1] np.random.rand() * bbox[3] confidence 0.8 np.random.rand() * 0.2 else: # 其他关键点 x bbox[0] np.random.rand() * bbox[2] y bbox[1] np.random.rand() * bbox[3] confidence 0.5 np.random.rand() * 0.3 simulated_keypoints.append([x, y, confidence]) simulated_keypoints np.array(simulated_keypoints) print(f 检测到 {len(simulated_keypoints)} 个关键点) # 步骤5后处理关键点 print(\n4. 后处理关键点...) final_keypoints postprocess_keypoints(simulated_keypoints, pad_info) # 步骤6可视化结果 print(\n5. 创建可视化结果...) # 创建可视化 fig, axes plt.subplots(1, 2, figsize(15, 6)) # 左侧原始图片 axes[0].imshow(image_rgb) axes[0].set_title(f原始图片\n尺寸: {original_w} x {original_h}) axes[0].axis(off) # 右侧带有关键点的图片 result_image image_rgb.copy() # 绘制关键点 colors [(255, 0, 0), (0, 255, 0), (0, 0, 255), (255, 255, 0)] for i, kp in enumerate(final_keypoints): x, y, conf kp if conf 0.3: # 根据关键点类型选择颜色 if i 17: color_idx 0 # 身体 - 红色 size 6 elif i 17 68: color_idx 1 # 面部 - 绿色 size 3 elif i 17 68 42: color_idx 2 # 手部 - 蓝色 size 4 else: color_idx 3 # 脚部 - 青色 size 4 color colors[color_idx] cv2.circle(result_image, (int(x), int(y)), size, color, -1) axes[1].imshow(result_image) axes[1].set_title(f姿态检测结果\n{len(final_keypoints)}个关键点) axes[1].axis(off) # 调整布局 plt.tight_layout() # 保存结果 plt.savefig(output_path, dpi150, bbox_inchestight) print(f\n结果已保存到: {output_path}) # 显示结果 plt.show() # 返回关键点数据 keypoint_summary { num_keypoints: len(final_keypoints), body_points: final_keypoints[:17], face_points: final_keypoints[17:1768], hand_points: final_keypoints[1768:176842], foot_points: final_keypoints[176842:] } return keypoint_summary # 之前定义的预处理和后处理函数需要在这里 def preprocess_image(image_path, target_size(1024, 768)): 预处理图片简化版 image cv2.imread(image_path) image_rgb cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 简单调整尺寸 resized cv2.resize(image_rgb, target_size, interpolationcv2.INTER_LINEAR) pad_info { original_size: (image.shape[1], image.shape[0]), resized_size: target_size, padded_size: target_size, pad_x: 0, pad_y: 0, scale: target_size[0] / image.shape[1] } return resized, pad_info def postprocess_keypoints(keypoints, pad_info): 后处理关键点简化版 original_w, original_h pad_info[original_size] scale pad_info[scale] processed [] for kp in keypoints: x, y, conf kp x_original x / scale y_original y / scale processed.append([x_original, y_original, conf]) return np.array(processed) # 主程序 if __name__ __main__: # 测试图片路径请替换成你自己的图片 test_image test_image.jpg # 如果测试图片不存在创建一个示例图片 if not os.path.exists(test_image): print(f创建示例图片: {test_image}) # 创建一个简单的示例图片 example_image np.zeros((400, 300, 3), dtypenp.uint8) example_image[:] [200, 200, 200] # 灰色背景 # 画一个简单的人形 cv2.circle(example_image, (150, 100), 20, (100, 100, 255), -1) # 头 cv2.line(example_image, (150, 120), (150, 200), (255, 100, 100), 3) # 身体 cv2.line(example_image, (150, 140), (100, 180), (100, 255, 100), 3) # 左臂 cv2.line(example_image, (150, 140), (200, 180), (100, 255, 100), 3) # 右臂 cv2.line(example_image, (150, 200), (120, 280), (255, 255, 100), 3) # 左腿 cv2.line(example_image, (150, 200), (180, 280), (255, 255, 100), 3) # 右腿 cv2.imwrite(test_image, example_image) print(示例图片已创建) # 运行完整的姿态检测流程 try: result complete_pose_detection_pipeline(test_image, final_result.jpg) if result: print(\n * 50) print(检测完成) print(f总关键点数: {result[num_keypoints]}) print(f身体关节点: {len(result[body_points])} 个) print(f面部关键点: {len(result[face_points])} 个) print(f手部关键点: {len(result[hand_points])} 个) print(f脚部关键点: {len(result[foot_points])} 个) print( * 50) except Exception as e: print(f运行过程中出现错误: {e}) import traceback traceback.print_exc()这个完整的示例展示了从图片读取到结果可视化的整个流程。你可以直接运行它看看效果如何。7. 总结通过这篇文章我们走完了使用SDPose-Wholebody进行姿态检测的完整流程。从环境搭建、模型下载到编写检测函数、创建Web界面再到处理实际问题和完整示例我希望这些内容能帮助你快速上手。SDPose-Wholebody的强大之处在于它能检测133个关键点而且对艺术风格、动画角色这些传统模型处理不好的情况表现很好。虽然我们用的是模拟数据来演示但基本的流程和思路是一样的。当你有了真实的模型后只需要替换掉模拟检测的部分就行了。实际使用中可能会遇到各种挑战比如模型太大、推理速度慢、特殊姿势检测不准等。这些问题都有相应的解决方法比如使用模型量化、调整输入尺寸、结合其他检测器等。如果你刚开始接触姿态检测建议先从简单的例子开始慢慢熟悉整个流程。可以先在少量图片上测试确保基本功能正常然后再尝试更复杂的场景。遇到问题时多查阅官方文档和社区讨论通常都能找到解决方案。姿态检测是一个很有用的技术可以用在健身指导、动画制作、人机交互等很多领域。掌握了基本方法后你可以根据自己的需求进行扩展和优化。希望这篇文章能为你提供一个好的起点。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。