Motion-X: 一个大规模的3D富表现力全身人体运动数据集
本仓库包含以下论文的实现：
Motion-X: 一个大规模的3D富表现力全身人体运动数据集 <br>林静<sup>😎12</sup>, 曾爱玲<sup>😎🤗1</sup>, 陆顺林<sup>😎13</sup>, 蔡元浩<sup>2</sup>, 张瑞茂<sup>3</sup>, 王浩骞<sup>2</sup>, 张磊<sup>1</sup><br> <sup>😎</sup>贡献相同。 <sup>🤗</sup>通讯作者。<sup>
<sup>1</sup>国际数字经济研究院 <sup>2</sup>清华大学 <sup>3</sup>香港中文大学（深圳）<sup>
🥳 新闻
- [2024.4.25] 我们正在开发Motion-X的新版本，称为Motion-X++。它有以下更新：i) 更多配对模态，包括视频、全身2D关键点、局部和全局全身SMPL-X、文本和音频（如果视频有）；ii) 更好的质量，如手动场景检测以实现时间连贯的视频片段、更稳定的运动注释，以及通过GPT4V和Vicuna改进的语义视频描述和全身姿势描述。我们已发布IDEA400子集，并将在同一目录中发布其他子集。有关数据预处理和加载的详细说明，请参阅此 文档。
- [2024.2.6] 我们发布了自录的IDEA400视频和相应的SMPL-X，以支持(a)全身局部或全局姿势估计和(2)运动条件视频生成。请查看邮件。
- [2024.1.9] 我们更新了每个全身姿势的帧级文本描述。请在此处下载，并参考此使用指南。
- [2023.12.22] 我们更新了由Vicuna 1.5增强的序列运动文本描述（text_v1.1），以提高文本的标准化和多样性。请通过此链接下载并替换原始文件motionx_seq_text.zip。非常感谢陈凌浩对文本标签的完善！
- [2023.11.15] 我们在DDS平台上发布了所有子集的SMPL-X渲染可视化，以便快速查看内容。
- [2023.11.15] 我们发布了HumanTOMATO运动表示（
tomato表示）和拆分文件。 - [2023.10.26] 我们发布了Motion-X-V1，提供与SMPL-X序列对应的语义文本标签、面部表情运动以及用于增强一些没有面部表情的运动的相应文本。请查看您的邮件！
- [2023.10.26] 我们发布了一个高质量的单目数据集，名为IDEA400，作为Motion-X的子集，包含丰富的表情和手势。查看此视频了解更多详情。
📜 待办事项
- 发布全身姿势描述。
- 收 集更多运动数据集（例如，音乐到舞蹈、音频到手势的运动）。
- 在得到视频所有者的同意后发布视频。
- 如果需要运动，发布音频和音乐。
敬请期待！
🥳 亮点运动样本
<img src="https://yellow-cdn.veclightyear.com/ab5030c0/8930af91-5944-4de5-8708-f22ede2d2a23.gif" width="100%">📊 目录
📜 一般描述
我们提出了一个高精度和高效的全身运动及相应文本标签的注释流程。基于此，我们从大量在线视频和八个现有运动数据集构建了一个大规模的3D富表现力全身人体运动数据集。我们将它们统一为相同的格式，提供全身运动（即SMPL-X）和相应的文本标签。
Motion-X的标签：
- 运动标签：包括
1560万个全身姿势和8.11万个运动片段注释，以SMPL-X参数表示。所有运动已统一为30帧每秒。 - 文本标签：(1)
1560万个帧级全身姿势描述和(2)8.11万个序列级语义标签。 - 其他模态：RGB视频、音频和音乐信息。
支持的任务：
- 文本驱动的3D全身人体运动生成
- 3D全身人体网格恢复
- 其他：运动预训练、用于运动理解和生成的多模态预训练模型等。
📥 数据集下载
我们以与原始数据源一致的方式发布Motion-X。以下是操作说明：
1. 请求授权
请填写此表单以申请授权非商业用途的Motion-X。之后您将收到一封邮件，请从提供的下载链接下载动作和文本标签。姿势文本可以从这里下载。请从下载的motionx_pose_text.zip中提取body_texts文件夹和hand_texts文件夹。（注意：我们于2023年10月29日更新了motionx_seq_face_text.zip和motionx_face_motion.zip的百度网盘链接。因此，如果您在10月29日之前通过百度网盘下载了这些压缩包，请填写表单并重新下载。）
请按以下目录结构收集它们：
../datasets
├── motion_data
├── smplx_322
├── idea400
├── ...
├── face_motion_data
├── smplx_322
├── humanml
├── EgoBody
├── GRAB
├── texts
├── semantic_labels
├── idea400
├── ...
├── face_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
├── body_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
├── hand_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
2. 非动作捕捉子集
对于非动作捕捉子集，请参考此链接获取详细说明，特别注意：
- 我们不分发原始RGB视频。我们提供由我们团队标 注的动作和文本标签。
- 由于许可和质量考虑，我们不提供NTU-RGBD120。相反，我们构建了IDEA400，其中包括400个日常动作（覆盖NTU-RGBD120）。请参考这个视频获取详细介绍。
3. 动作捕捉子集
对于动作捕捉数据集（即AMASS、GRAB、EgoBody），请参考此链接获取详细说明，特别注意：
- 我们不分发原始动作数据。
- 我们只提供由我们团队标注的文本标签和面部表情。
AMASS和GRAB数据集由马克斯·普朗克智能系统研究所根据自定义许可发布，用于学术研究。要下载AMASS和GRAB，您必须在数据集网站上注册为用户，并同意每个许可的条款和条件：
https://amass.is.tue.mpg.de/license.html
https://grab.is.tuebingen.mpg.de/license.html
最终，数据集文件夹按以下目录结构收集：
../datasets
├── motion_data
├── smplx_322
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
├── texts
├── semantic_labels
├── idea400
├── ...
├── face_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
├── body_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
├── hand_texts
├── humanml
├── EgoBody
├── GRAB
├── idea400
├── ...
🚀 数据加载
-
要加载动作和文本标签，您可以简单地执行以下操作：
import numpy as np import torch # 读取动作并保存为smplx表示 motion = np.load('motion_data/smplx_322/000001.npy') motion = torch.tensor(motion).float() motion_parms = { 'root_orient': motion[:, :3], # 控制全局根方向 'pose_body': motion[:, 3:3+63], # 控制身体 'pose_hand': motion[:, 66:66+90], # 控制手指关节 'pose_jaw': motion[:, 66+90:66+93], # 控制下巴姿势 'face_expr': motion[:, 159:159+50], # 控制面部表情 'face_shape': motion[:, 209:209+100], # 控制面部形状 'trans': motion[:, 309:309+3], # 控制全局身体位置 'betas': motion[:, 312:], # 控制身体形状。身体形状是静态的 } # 读取文本标签 semantic_text = np.loadtxt('semantic_labels/000001.npy') # 语义标签
💻 可视化
我们支持从相机空间和世界空间进行可视化，请参考这个指南。
💻 实验
动作标注流程的验证
我们的标注流程显著超越了现有的最先进的2D全身模型和网格恢复方法。
文本驱动的全身人体动作生成基准测试
与HumanML3D在全身人体动作生成任务上的比较
对3D全身人体网格恢复的影响
🤝 引用
如果您发现这个仓库对您的工作有用，请考虑按以下方式引用它：
@article{lin2023motionx,
title={Motion-X: A Large-scale 3D Expressive Whole-body Human Motion Dataset},
author={Lin, Jing and Zeng, Ailing and Lu, Shunlin and Cai, Yuanhao and Zhang, Ruimao and Wang, Haoqian and Zhang, Lei},
journal={Advances in Neural Information Processing Systems},
year={2023}
}
编辑推荐精选
AEE
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。
UI-TARS-desktop
基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。
Wan2.1
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图 像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。
爱图表
全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表
爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。
Qwen2.5-VL
一款强大的视觉语言模型，支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。
HunyuanVideo
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。
WebUI for Browser Use
一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。
xiaozhi-esp32
基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。
olmocr
一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。
olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准 确性。
飞书多维表格
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号