SMPL参数化人体模型原理与工程实践指南-平芜编程栈

1. 为什么SMPL模型成了人体建模的“通用语言”？

你有没有遇到过这种场景：在做动作捕捉数据清洗时，不同设备输出的关节点命名五花八门——有的叫left_shoulder，有的叫LShoulder，还有的直接用数字索引；或者在训练一个穿衣模拟网络时，输入是一堆散点云，输出却要生成带真实关节旋转和肌肉形变的3D人形，中间根本找不到可微分的桥梁？我第一次接手某高校实验室的跨平台动画迁移项目时，就卡在这一步整整三周：Unity导出的FBX骨架、Blender生成的蒙皮权重、PyTorch训练的LSTM姿态预测器，三者像三座孤岛，连个统一坐标系都对不齐。直到把SMPL模型作为中间协议引入，整个流程才真正跑通。它不是万能的3D建模软件，而是一套参数化人体骨架的数学接口——用72个旋转向量描述姿态（pose），10个主成分向量控制体型（shape），外加3个平移分量定义全局位置，总共85个浮点数，就能唯一确定一个具有物理合理性的、带皮肤绑定的3D人体网格。这85维向量就是人体的“数字指纹”。它解决的不是“怎么画得更美”，而是“怎么让不同系统之间能说同一种话”。关键词里反复出现的“参数化”三个字，本质是把人体从“不可计算的视觉对象”转化成“可求导、可优化、可压缩的向量空间”。比如，两个不同体型的人做相同抬手动作，传统方法要分别处理两套骨骼动画；而SMPL下，只需固定pose参数，仅调整shape参数，就能自动生成适配新体型的动作结果——这正是它被广泛用于虚拟试衣、运动康复分析、AR社交 avatar 生成的核心原因。对算法工程师，它是可嵌入神经网络的轻量模块；对3D美术师，它是免去手动绑定的自动蒙皮引擎；对硬件厂商，它是统一多源动捕数据的标尺。它不替代Blender或Maya，但让这些工具第一次能在同一套语义下协同工作。

2. SMPL模型的设计哲学与数学内核拆解

2.1 为什么是85维？参数设计背后的刚体+形变逻辑

SMPL的85维参数绝非随意堆砌，而是严格遵循人体生物力学约束与计算机图形学可实现性双重标准。我们来一层层剥开它的结构：

全局位姿（3维）：trans = [x, y, z]，纯粹的三维平移向量。注意：它作用于整个模型，而非根关节。这是为后续与相机坐标系对齐预留的接口，比如将人体从世界原点移到图像平面中心。
关节姿态（72维）：这是SMPL最精妙的部分。人体有24个自由度关节（23个骨骼关节 + 1个根节点），每个关节用轴角表示法（axis-angle）描述旋转。轴角是一个三维向量，其方向代表旋转轴，模长代表旋转角度（弧度）。例如，[0, 0.5, 0]表示绕Y轴旋转0.5弧度（约28.6度）。24个关节 × 3维 = 72维。这里的关键取舍在于：不用欧拉角（易万向节死锁）、不用四元数（4维/关节，总维数爆炸）、不用旋转矩阵（9维/关节，冗余且不可微）。轴角在保持低维、可微、无奇点三者间取得了最优平衡。实测中，当关节旋转超过±120度时，轴角仍能稳定反解为旋转矩阵，而欧拉角在此区间已频繁失效。
体型参数（10维）：betas = [beta_0, ..., beta_9]。这不是简单的“胖瘦高矮滑块”，而是基于主成分分析（PCA）从上千具真实人体扫描数据中提取的10个最主要变化方向。beta_0主要控制整体身高与体重比例（正向=高瘦，负向=矮壮），beta_1主要影响肩宽与骨盆宽度比（正向=倒三角，负向=沙漏型），beta_2则关联四肢长度与躯干比例。这10个维度覆盖了真实人体95%以上的体型变异。我曾用PCA重建误差做验证：用全部10个beta重建，平均顶点误差0.8cm；只用前3个，误差升至2.3cm；而若强行用50个beta，不仅训练不稳定，泛化性反而下降——过拟合了扫描噪声。这就是为什么官方坚持10维：它是在精度、鲁棒性、计算效率间的黄金分割点。

提示：SMPL的“参数化”本质是降维+解耦。姿态与体型完全独立，意味着你可以用A的体型+ B的动作，生成A执行B动作的效果，这是传统绑定无法做到的。

2.2 线性混合蒙皮（LBS）：如何把85维变成上万顶点？

有了85维参数，如何生成一个拥有6890个顶点的三角网格？核心是线性混合蒙皮（Linear Blend Skinning, LBS）。它包含三个关键组件：

基础模板网格（Template Mesh）：一个预定义的、处于T-pose（手臂水平伸展）的中性人体网格，含6890个顶点和13776个面片。所有顶点坐标是固定的，作为一切变形的起点。
骨骼层级与蒙皮权重（Joints & Weights）：SMPL定义了24个骨骼关节（从根节点pelvis到指尖l_wrist、r_wrist等），每个顶点v_i被分配一个24维权重向量w_i = [w_i0, w_i1, ..., w_i23]，满足sum(w_i) = 1。权重决定了该顶点受哪个关节影响最大。例如，左肩顶点的w_i[shoulder_l] ≈ 0.9，而w_i[hip_l] ≈ 0.05。这些权重是离线学习得到的，确保形变自然——抬手时，肩部顶点随肩关节移动，而腹部顶点几乎不动。
前向动力学（Forward Kinematics）：给定pose参数，先计算每个关节在世界坐标系下的4×4变换矩阵T_j（通过轴角→旋转矩阵→齐次变换）。然后，每个顶点v_i的新位置为：v_i' = sum_j (w_ij * T_j * M_j^{-1} * v_i)其中M_j是关节j在模板网格中的初始变换矩阵（即T-pose下的位置）。这个公式的意思是：先把顶点v_i“挪回”关节j的局部坐标系（M_j^{-1} * v_i），再应用关节j当前的变换（T_j * ...），最后按权重混合所有关节的影响。

这个过程全程可微分。当你在PyTorch中调用smpl_model(betas, poses, trans)，背后就是上述LBS公式的自动微分实现。这也是SMPL能无缝接入深度学习框架的根本原因——梯度可以直接从顶点位置反向传播到85维参数。

2.3 SMPL-X与原始SMPL的关键差异：手、脸、身体的协同进化

原始SMPL（2015年发布）只建模躯干和四肢，手部是封闭的拳头，脸部是光滑曲面。这在2023年的应用场景中已显局促。SMPL-X（2019年）是它的超集，核心升级有三点：

手部精细化（Hand Pose）：新增左手21维、右手21维轴角参数（共42维），精确控制每根手指的屈伸。这意味着你可以生成“OK手势”、“握拳”、“竖大拇指”等精细动作，而不仅是“抬手”这种粗粒度姿态。
面部建模（Face Expression）：增加10维表情参数（expr），基于BlendShape技术驱动面部顶点。配合52维的颈部+下颌姿态（jaw_pose,leye_pose,reye_pose），能生成眨眼、张嘴、微笑等动态表情。
全身一致性（Full-Body Coherence）：SMPL-X重新优化了躯干与手、脸的连接区域（如手腕、下颌），确保当手部做复杂抓握时，前臂肌肉形变与手掌姿态同步；当张嘴说话时，颈部皮肤拉伸与下颌旋转匹配。我对比过同一组pose参数在SMPL和SMPL-X下的渲染效果：SMPL的手腕处会出现明显“断层”，而SMPL-X的过渡自然如真人。

注意：SMPL-X参数总数达128维（3+72+10+42+10+52-1，因部分参数共享），但它向下兼容SMPL。如果你的代码只用到躯干参数，SMPL-X模型会自动忽略手、脸参数，行为与原始SMPL一致。这种渐进式扩展，是它被工业界快速接纳的关键。

3. Python实战：从零构建可训练的SMPL流水线

3.1 环境搭建与模型加载：避开官方坑的实操指南

SMPL官方提供的是MATLAB代码和.pkl模型文件，直接在Python中使用需谨慎。我踩过的最大坑是：网上90%的教程教你用pkl.load()直接读取，但在PyTorch 1.12+版本中，这会导致RuntimeError: unable to open file——因为新版PyTorch默认禁用了不安全的pickle反序列化。正确做法是使用smplx库（由MPI-IS团队官方维护），它已将模型转换为安全的.npz格式，并封装了完整的PyTorch接口。

# 推荐安装方式（避免conda-forge的旧版） pip install smplx --no-deps pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118

模型文件需单独下载。官方提供两种：

SMPL_NEUTRAL.pkl：中性体型，适合大多数基准测试。
SMPL_MALE.pkl/SMPL_FEMALE.pkl：性别特化模型，体型细节更丰富。

下载后，将其放在项目目录的models/smpl/下。关键代码如下：

import torch import smplx # 初始化SMPL模型（注意device和batch_size） smpl_model = smplx.create( model_path='models/smpl', # 模型文件所在目录 model_type='smpl', # 可选 'smpl', 'smplx' gender='neutral', # 'male', 'female', 'neutral' batch_size=1, # 批处理大小，影响内存占用 use_face_contour=False, # SMPL无需面部轮廓 create_transl=True, # 启用全局平移 dtype=torch.float32 # 精度选择：float32足够，float16可能不稳定 ) # 生成一个中性体型、T-pose、位于原点的默认人体 betas = torch.zeros(1, 10) # 10维体型参数，全0=中性 poses = torch.zeros(1, 72) # 72维姿态参数，全0=T-pose trans = torch.zeros(1, 3) # 3维平移，全0=原点 output = smpl_model( betas=betas, body_pose=poses[:, 3:], # 注意：poses[0:3]是根旋转，body_pose是其余72-3=69维 global_orient=poses[:, :3], # 根关节旋转单独传入 transl=trans ) vertices = output.vertices # [1, 6890, 3]，顶点坐标 joints = output.joints # [1, 24, 3]，24个关节位置 print(f"生成顶点数: {vertices.shape[1]}, 关节数: {joints.shape[1]}")

实操心得：batch_size是性能关键。设为1时，单次前向耗时约15ms（RTX 3090）；设为32时，耗时仅22ms，吞吐量提升20倍。但内存占用从1.2GB飙升至3.8GB。我的经验是：训练时用batch_size=16，推理时用batch_size=1，用torch.no_grad()关闭梯度节省显存。

3.2 姿态参数的物理意义映射：从数字到动作的翻译手册

初学者常困惑：poses数组里的72个数字，到底对应哪个关节？SMPL采用广度优先遍历（BFS）的关节顺序，与人体解剖结构严格对应。以下是前12个参数的映射（完整24关节列表见smplx.JOINT_NAMES）：

索引范围	关节名称	物理意义	典型值示例
0-2	`root`	骨盆根旋转（全局朝向）	`[0, 0.3, 0]`= 绕Y轴右转17°
3-5	`left_hip`	左髋关节屈曲/外展	`[0.5, 0, 0]`= 左腿前摆30°
6-8	`right_hip`	右髋关节屈曲/外展	`[-0.4, 0, 0]`= 右腿后撤23°
9-11	`spine1`	腰椎第一节旋转	`[0, 0.2, 0]`= 身体微向右扭
12-14	`left_knee`	左膝关节屈曲	`[0, 0, -1.2]`= 左膝弯曲69°
15-17	`right_knee`	右膝关节屈曲	`[0, 0, -1.0]`= 右膝弯曲57°

这个映射不是凭空设定，而是源于SMPL的骨骼层级树。根节点pelvis（索引0）下分出spine1（索引3）、left_hip（索引4）、right_hip（索引5）；spine1再分出spine2（索引6）…… 这种树状结构保证了父子关节的运动学约束。例如，当你旋转spine1时，其所有子关节（包括头部、手臂）都会随之转动，这正是前向动力学的体现。

要生成一个“招手”动作，我通常这样构造poses：

# 创建一个batch_size=1的poses张量 poses = torch.zeros(1, 72) # 设置根关节：轻微前倾（模拟站立微屈膝） poses[0, 0] = 0.1 # 绕X轴前倾5.7° # 设置左肩：抬手（屈曲）+ 外展（绕Z轴） poses[0, 12] = 0.8 # left_shoulder屈曲46° poses[0, 14] = 0.3 # left_shoulder外展17° # 设置左肘：屈曲（绕X轴） poses[0, 15] = -1.5 # left_elbow屈曲86° # 设置左腕：微屈（绕X轴）+ 微旋（绕Z轴） poses[0, 18] = 0.2 # left_wrist屈曲11° poses[0, 20] = 0.5 # left_wrist旋转29°（模拟挥手） # 其余关节保持0（T-pose）

注意：SMPL的关节旋转轴是局部坐标系下的。left_shoulder的X轴指向手臂方向，Y轴指向上方，Z轴指向身体外侧。因此，poses[0,12]（X轴）是屈曲，poses[0,14]（Z轴）是外展。这个约定必须牢记，否则动作会完全错乱。

3.3 体型参数的可控编辑：用PCA理解“人”的多样性

betas的10个维度不是抽象概念，每个都对应真实人体测量学指标。我用公开的CAPE数据集做了回归分析，得出以下实用映射：

beta_0（身高体重比）：与身高（cm）呈强正相关（R²=0.89），与BMI呈弱负相关（R²=0.32）。beta_0 = 2.0≈ 185cm男性，beta_0 = -1.5≈ 155cm女性。
beta_1（肩盆比）：与肩宽/骨盆宽比值高度相关（R²=0.94）。beta_1 = 1.0→ 肩宽比骨盆宽35%，典型健美体型；beta_1 = -0.8→ 肩宽仅比骨盆宽12%，常见于青少年体型。
beta_2（肢干比）：与（臂长+腿长）/躯干长比值相关（R²=0.81）。beta_2 = 0.5→ 四肢修长，适合舞蹈动作；beta_2 = -0.6→ 躯干较长，重心更稳。

利用此规律，可以进行精准体型编辑：

# 创建一个“高挑女性”体型：高个子（beta0=1.8）+ 宽肩（beta1=0.7）+ 长肢（beta2=0.4） betas = torch.tensor([[1.8, 0.7, 0.4, 0, 0, 0, 0, 0, 0, 0]], dtype=torch.float32) # 或者，从真实照片估计：用OpenPose检测2D关节点，反推3D关节长度比， # 再拟合到beta空间（需预训练一个小型回归网络）

更强大的是体型插值。假设你有两个目标体型A（betas_A）和B（betas_B），想生成中间体型C：

# 线性插值（最简单） betas_C = 0.7 * betas_A + 0.3 * betas_B # 非线性插值（更自然，避免“怪异中间态”） # 使用球面线性插值（Slerp）在PCA流形上进行 def slerp_betals(betas_a, betas_b, t): # 将beta向量视为10维球面上的点，进行球面插值 omega = torch.acos(torch.clamp(torch.sum(betas_a * betas_b), -1, 1)) so = torch.sin(omega) if abs(so) < 1e-6: return betas_a return torch.sin((1-t)*omega)/so * betas_a + torch.sin(t*omega)/so * betas_b betas_C_slerp = slerp_betals(betas_A, betas_B, 0.5)

实测表明，Slerp插值生成的体型比线性插值更符合人体生长规律，尤其在极端体型（如beta_0=3.0巨人症 vsbeta_0=-2.5侏儒症）间过渡时，不会出现腰部断裂或头身比例失调。

3.4 与真实数据对接：从2D关键点到SMPL参数的端到端拟合

SMPL的价值最终体现在“理解现实”。最常用场景是：给一张人像照片，输出其3D姿态和体型。这需要参数拟合（Fitting），即寻找最优的betas,poses,trans，使SMPL渲染的2D投影与照片中的2D关节点尽可能重合。

我推荐使用pyrender+OpenCV构建轻量级拟合流水线（无需庞大GPU集群）：

import pyrender import trimesh import cv2 # 1. 加载SMPL模型并创建渲染器 smpl_mesh = trimesh.Trimesh(vertices=output.vertices[0].numpy(), faces=smpl_model.faces) scene = pyrender.Scene() mesh = pyrender.Mesh.from_trimesh(smpl_mesh, smooth=False) scene.add(mesh) # 2. 定义相机内参（根据你的拍摄设备校准） camera = pyrender.IntrinsicsCamera( fx=1200, fy=1200, cx=320, cy=240, # 假设640x480图像 name='camera' ) scene.add(camera, pose=np.eye(4)) # 3. 定义损失函数：2D重投影误差 def reprojection_loss(params, keypoints_2d, K): # params: [betas, poses, trans] 拼接的向量 betas = params[:10].unsqueeze(0) poses = params[10:82].unsqueeze(0) # 72维 trans = params[82:].unsqueeze(0) # 3维 output = smpl_model(betas=betas, body_pose=poses[:,3:], global_orient=poses[:,:3], transl=trans) # 将3D顶点投影到2D（简化版，实际用OpenCV的projectPoints） vertices_3d = output.vertices[0].numpy() vertices_2d = (K @ vertices_3d.T).T vertices_2d = vertices_2d[:, :2] / vertices_2d[:, [2]] # 计算与2D关键点的L2距离 loss = torch.mean(torch.norm(vertices_2d[JOINT_IDS] - keypoints_2d, dim=1)) return loss # 4. 使用L-BFGS优化（比SGD更稳定） params_init = torch.cat([betas[0], poses[0], trans[0]]) optimizer = torch.optim.LBFGS([params_init], lr=1.0, max_iter=50) for _ in range(10): def closure(): optimizer.zero_grad() loss = reprojection_loss(params_init, keypoints_2d, K) loss.backward() return loss optimizer.step(closure)

这个流程在单张RTX 3060上，50次迭代耗时约8秒，能达到平均关节点误差<8像素（640x480图像）。关键技巧在于：分阶段优化。先固定betas，只优化poses和trans（收敛快）；再固定poses，优化betas（体型变化慢）；最后联合优化。这比一次性优化所有85维参数稳定得多。

常见问题：拟合结果“飘忽不定”。根源往往是2D关键点检测不准。我的解决方案是：用MediaPipe Pose检测12个核心关节点（而非OpenPose的33个），因其在侧身、遮挡场景下更鲁棒；同时，在损失函数中加入关节角度先验（如膝盖不能超伸），用torch.clamp限制poses的每个维度在[-2.5, 2.5]弧度内（约±143°），这能杜绝90%的物理不合理姿态。

4. 工业级应用避坑指南与性能调优实战

4.1 内存与速度瓶颈：在边缘设备上运行SMPL的硬核方案

SMPL模型本身很小（.npz文件仅12MB），但实时渲染时的内存压力主要来自顶点缓冲区。一个6890顶点的网格，单精度浮点存储需6890×3×4 = 82.7KB；但当batch_size=32时，仅顶点就占2.6MB，加上梯度、中间变量，显存轻松突破4GB。这对Jetson Orin或树莓派5等边缘设备是致命的。

我的破局方案是顶点精简（Vertex Decimation）：

# 使用quadric decimation算法，将6890顶点降至2000以内 import pymeshlab ms = pymeshlab.MeshSet() ms.load_new_mesh('smpl_template.obj') # 导入原始模板 ms.meshing_decimation_quadric_edge_collapse(targetfacenum=2000) ms.save_current_mesh('smpl_2000.obj') # 在smplx中加载精简模型（需重写faces和weights） smpl_lite = smplx.create( model_path='models/smpl_lite', model_type='smpl', gender='neutral', batch_size=1, use_face_contour=False, create_transl=True, dtype=torch.float32 )

实测数据：顶点从6890减至1980，模型前向耗时从15ms降至6ms，显存占用从1.2GB降至0.45GB，而视觉保真度损失极小——在320x240分辨率的AR眼镜中，人眼几乎无法分辨差异。关键在于：精简算法保留了关节连接处（肩、肘、膝）的顶点密度，牺牲的是背部、大腿等大面积平滑区域的顶点，这恰好符合人体形变的物理规律。

另一个杀手锏是混合精度推理：

# 启用AMP（自动混合精度） from torch.cuda.amp import autocast with torch.no_grad(), autocast(): output = smpl_model( betas=betas.half(), # float16 body_pose=poses.half(), # float16 global_orient=poses.half(), transl=trans.half() ) vertices = output.vertices.float() # 输出转回float32供后续使用

在RTX 3060上，AMP使单次前向速度提升1.8倍，显存降低40%，且未观察到精度损失（顶点误差<0.1mm）。但注意：betas和poses必须同时为half，否则PyTorch会报错。

4.2 动作迁移的陷阱：为什么“复制粘贴”姿态总会出错？

动作迁移（Action Transfer）是SMPL最诱人的应用：把专业舞者的动作，迁移到不同体型的虚拟人身上。但新手常犯一个致命错误——直接复制poses数组。问题在于：SMPL的姿态参数是相对于其自身骨骼长度定义的。一个身高190cm的舞者做劈叉，其left_knee和right_knee的屈曲角度，必然大于一个160cm的人做同样幅度劈叉所需的角度，因为前者需要更大的关节旋转来补偿更长的肢体。

正确解法是运动学重定向（Kinematic Retargeting）：

# 步骤1：获取源人体（A）和目标人体（B）的骨骼长度比 length_ratio = get_bone_length_ratio(smpl_A, smpl_B) # 返回24维比值向量 # 步骤2：对每个关节的旋转，按其父骨骼长度缩放 # 例如，左膝屈曲角度应乘以 (leg_length_B / leg_length_A) retargeted_poses = poses_A.clone() for joint_idx in [12, 15, 18]: # left_knee, right_knee, left_ankle parent_joint = PARENT_JOINT[joint_idx] # 获取父关节索引 scale = length_ratio[parent_joint] retargeted_poses[0, joint_idx*3:(joint_idx+1)*3] *= scale # 步骤3：用缩放后的poses驱动目标人体 output_B = smpl_B(betas=betas_B, body_pose=retargeted_poses[:,3:], ...)

get_bone_length_ratio的实现很简单：用SMPL的joints输出，计算相邻关节距离。例如，左大腿长度 =norm(joint[4] - joint[1])（left_hip到left_knee）。这个比率是动作迁移的“标尺”，缺了它，迁移效果必然失真。

实操心得：重定向后，还需做IK修正（Inverse Kinematics）。因为单纯缩放姿态，脚掌可能悬空或陷入地面。我用一个轻量级CCD-IK求解器（仅3次迭代），将脚踝关节强制吸附到地面平面，耗时仅0.5ms，却让行走动画的真实感提升一个量级。

4.3 常见报错与排查速查表

在三年的SMPL项目实践中，我整理了这份高频问题清单，按发生频率排序：

问题现象	根本原因	快速诊断命令	解决方案
`RuntimeError: Expected all tensors to be on the same device`	`betas`,`poses`,`trans`张量不在同一设备（CPU/GPU）	`print(betas.device, poses.device, trans.device)`	统一调用`.to(device)`，建议在初始化时就指定`device='cuda'`
渲染人体“扭曲成麻花”	`poses`中某个关节的轴角模长过大（>π），导致旋转矩阵奇异	`print(torch.norm(poses[:, i:i+3], dim=1))`for i in [0,3,6...]	用`torch.remainder(poses, 2*torch.pi)`归一化，或直接`torch.clamp`到`[-2.5, 2.5]`
生成人体“悬浮”或“沉入地下”	`trans`参数未正确设置，或相机坐标系与世界坐标系混淆	`print(output.joints[0, 0])`查看骨盆关节Z坐标	骨盆Z坐标应≈0（地面高度），若为-100，则`trans[0,2] += 100`
拟合过程loss不下降	2D关键点噪声大，或损失函数未加权重	`print(keypoints_2d)`观察是否有明显离群点	对置信度低的关键点（如OpenPose的score<0.5）设权重为0
多batch推理时显存OOM	`batch_size`过大，或未用`torch.no_grad()`	`nvidia-smi`实时监控显存	改用`batch_size=1`+`torch.no_grad()`+`autocast()`，或启用`smpl_model.eval()`

最后一个隐藏陷阱：SMPL的顶点顺序与某些渲染引擎不兼容。例如，Unity的SkinnedMeshRenderer要求顶点顺序与骨骼权重顺序严格一致，而SMPL的.obj导出有时会打乱顺序。我的解决方案是：永远用smplx库的output.vertices输出，而不是自己解析.obj文件。output.vertices是经过严格验证的、与内部权重矩阵对齐的顶点序列。

4.4 从SMPL到生产环境：API封装与服务化实践

当SMPL模型要集成到Web或移动端App时，直接暴露PyTorch模型风险极高。我的工业级封装方案是：

模型固化（TorchScript）：将SMPL模型转换为独立的.pt文件，脱离Python环境依赖。
```
# 导出为TorchScript traced_smpl = torch.jit.trace(smpl_model, (betas, poses, trans)) traced_smpl.save("smpl_traced.pt")
```
这样，C++后端或Android NDK可直接加载，无需Python解释器。

REST API设计：用FastAPI构建轻量服务，输入JSON，输出GLB（3D模型格式）。

from fastapi import FastAPI import numpy as np import trimesh app = FastAPI() @app.post("/generate") async def generate_human(request: dict): # request: {"betas": [10 floats], "poses": [72 floats], "trans": [3 floats]} betas = torch.tensor([request["betas"]]) poses = torch.tensor([request["poses"]]) trans = torch.tensor([request["trans"]]) output = smpl_model(betas=betas, body_pose=poses[:,3:], global_orient=poses[:,:3], transl=trans) # 转为GLB格式（支持WebGL） mesh = trimesh.Trimesh(vertices=output.vertices[0].numpy(), faces=smpl_model.faces) glb_bytes = mesh.export(file_type='glb') return {"model": glb_bytes.hex()} # 返回十六进制字符串