AmmarkoV/SAM3DBody-cpp

SAM-3D-Body 的纯 C++ 推理引擎，单张图直接生成 3D 网格，并可按人导出 BVH/ARF 动捕

SAM3DBody-cpp 是 SAM-3D-Body 的零 Python 运行时依赖 C++ 推理引擎，用 ONNX Runtime + ggml 从 BGR 图像直接回归每人 519 个 MHR 姿态参数与相机平移，并可经 LBS 生成全身网格与关键点。流水线为 YOLO11m-pose 检测、DINOv3-ViT-H backbone、6 层 transformer decoder、CPU ggml FFN 头，预构建模型托管 HuggingFace，CUDA 版约 5.2 GB；CPU 需换 fp32 backbone/fp16 decoder，作者报告单帧 5–15 秒，不适合视频。scripts/setup.sh 一键拉取并构建，输出多人物 BVH（IoU 追踪保身份、骨骼长度重写）、MPEG ARF 和 CSV。离线五趟版加入场景检测、轨迹合并、间隙/抖动插值和零相位滤波；--refined-pose 经迭代手部 crop decode 与 wrist-IK splice 缩小与原版差异，但延迟略升。TensorRT FP16 端到端约 1.6 倍 加速，代价是 fp16 模型替换带来远距离人物关节偏差；Windows 仅 headless 构建。

1. 1运行时不需要 Python，用 ONNX Runtime 和 ggml 直接输出 519 维姿态参数与相机参数
2. 2主干权重为 BF16 格式，只能在 CUDA 上运行；在纯 CPU 上需另外下载 FP32/FP16 模型文件
3. 3--bvh 和 --arf 按检测到的每个人分别导出；其中 ARF 包含网格与蒙皮

为什么重要　要把单目 3D 人体接入 C++ 引擎或 DCC 管线时，运行时不需要 Python，就直接产出 BVH/ARF；但 BF16 主干只能运行在 CUDA 上适合　需要把单目 3D 人体/动捕接进 C++ 引擎、ROS 或 DCC 管线的工程人员

来源

github.com

发布

2026/10/20

作者

AmmarkoV