Justin

Command Palette

Search for a command to run...

返回作品典藏庫
已完成2026ai-data

3D 動畫 LoRA 訓練管線與 Demo 展示平台

把動畫素材整理成可訓練資料集，並包裝成可展示、可截圖、可錄影的 portfolio demo

一套以 3D CGI 動畫素材為對象的 LoRA 資料工程與訓練管線。專案整合影片抽幀、角色實例分割、CLIP/HDBSCAN 分群、自動標註、姿態資料、LoRA/ControlNet 訓練與評估流程，並額外建立匿名 demo 網站、截圖、錄影與 README，讓面試官可以快速理解系統價值與技術成果。

互動 Demo 網站查看 GitHubDemo 錄影閱讀 README

已驗證 Demo 錄影 1

由 portfolio quality pass 從既有專案 demo 素材複製。

18 張截圖3 支 Demo 影片

媒體總覽

快速瀏覽這個專案的截圖與錄影展示。

專案連結與 Demo 狀態

live

互動 Demo 網站

有已驗證 Live Demo 時直接開啟；尚未部署時，使用本頁的執行指南準備手動展示。

github

查看 GitHub

有公開 repository 時直接開啟；尚未確認時，使用本頁原始碼狀態追蹤後續補齊。

video

Demo 錄影

有 Demo 錄影時直接開啟；尚未錄影時，使用本段作為錄影檢查清單。

documentation

閱讀 README

有 README 時直接開啟；尚未補齊時，使用本案例頁作為文件基準。

專案概覽

## 專案概述 這個專案原本是一套研究型的 3D 動畫 LoRA 資料管線，核心目標是把長影片素材轉換成可訓練的角色資料集，再接到 LoRA、ControlNet 與影片生成相關工作流。這次整理後，重點不只放在「管線能跑」，也補上面試展示需要的外層：匿名資料、可截圖頁面、demo 錄影、公開網站與清楚的 README。 ## 架構與資料流程 資料流程以 stage-based orchestrator 串接：影片抽幀、感知去重、偵測追蹤、前景/背景分割、姿態條件資料、embedding index、LoRA dataset、ControlNet dataset、inference samples 與 animation export。每個階段會輸出 metadata 與 artifact，demo manifest 再把這些狀態整理成前端可讀的展示資料。 ## Demo 展示設計 公開 demo 不使用私有影片或具名角色，而是用匿名 sample data 模擬真實產線結果。網站首頁先讓面試官看到 pipeline value proposition，再用 product results 區塊呈現 character sheet、before/after、training metrics、evaluation matrix 與 animation strip。作品集頁面則整合 cover、截圖與 MP4 walkthrough，讓整個專案在瀏覽作品集時就像完整作品，而不是只有 README。 ## 工程重點 專案包含 Python CLI、pytest smoke tests、Docker/Nginx 靜態部署、GitHub Pages 發布與 media asset packaging。對面試官來說，這個作品展示的不只是 AI 名詞，而是如何把資料處理、模型訓練、前端展示、文件與部署串成一個可信的 portfolio project。

我的角色

獨立開發者：管線架構、demo 包裝、測試驗證、作品頁素材與文件整理

問題背景

原始動畫素材通常無法直接拿來訓練 LoRA。從影片到可用資料集需要抽幀、去重、分割、分群、標註、姿態資料與評估報告；如果只展示 CLI 或資料夾結構，面試官很難在短時間內理解專案價值。

解決方案

建立設定檔驅動的多階段 Python 管線，將影片前處理、視覺分割、嵌入分群、資料集組裝與訓練評估拆成可重跑的階段；同時新增 CPU-safe stub demo、靜態展示網站、匿名 sample data、產品化結果卡片、截圖與 walkthrough 影片，使專案能在沒有私有素材與 GPU 權重的情況下被公開展示。

目前成果

完成可公開展示的 demo 版本：GitHub Pages 上有互動 demo 網站，作品集頁面有完整 media gallery、截圖、錄影與 GitHub/README 連結；測試涵蓋 demo manifest 與媒體資產，並可用 Docker/Nginx 部署靜態站。

作品亮點

  • 以匿名 sample data 展示資料管線成果，不暴露原始素材或角色名稱
  • 完整 portfolio media package：cover、桌面截圖、行動截圖、結果頁截圖與 MP4 walkthrough
  • 多階段 pipeline manifest 呈現抽幀、去重、分割、姿態、嵌入、訓練資料與輸出成果
  • Demo-safe 測試可在 CPU-only 環境快速驗證，不依賴私有影片或大型權重
  • 靜態 demo 可部署到 GitHub Pages，也能以 Docker/Nginx 打包
  • README 與作品頁把技術棧、架構、啟動方式與展示流程整理成面試可讀格式

技術挑戰

  • 需要把研究型 pipeline 轉換成面試官能快速理解的產品化展示介面
  • 公開展示時必須匿名化素材脈絡，避免暴露角色名稱與私有資料來源
  • 原始流程依賴 GPU、模型權重與大量媒體檔，因此需要另外設計 CPU-safe demo path

目標使用者

  • 作品集審閱者與面試官
  • 需要快速理解專案目的、技術棧與成熟度的技術讀者

技術亮點

  • 偵測到的主要技術線索：Python, PyTorch, Diffusers, Kohya_ss, CLIP, HDBSCAN, BLIP2, Segment Anything, ControlNet, ComfyUI, Playwright, Docker
  • 已有 README 作為後續補齊案例研究的依據
  • 已連接公開 GitHub repository，可從作品集追溯原始碼

系統架構

此專案目前由 portfolio catalog pipeline 依 README、Git metadata、package/build 設定與素材線索建立案例頁。正式架構說明仍需依實際 source code 補齊；目前可確認的技術線索包含：Python, PyTorch, Diffusers, Kohya_ss, CLIP, HDBSCAN, BLIP2, Segment Anything, ControlNet, ComfyUI, Playwright, Docker。

資料流程

目前尚未完成可公開的資料流程說明。若此專案含資料處理、AI pipeline 或後端 API，後續應補上 input、processing、storage、UI/output 的端到端流程。

專案結構

3d-animation-lora-pipeline/
  README.md              # project documentation, when available
  source files           # implementation reviewed by local audit
  package/build config   # detected capability signals

安裝與執行

This project does not expose a verified runnable web command yet. Review the README/source tree and add exact install, run, test, and build commands before interview use.
No verified build command was detected. Treat the current portfolio page as a case-study placeholder until build steps are reviewed.

後續改進

  • 補齊正式 README、截圖與 demo recording
  • 補上架構圖、資料流程與關鍵技術決策
  • 確認 build/test 狀態並更新 portfolio release report

面試說明重點

  • 先說明此專案目前的成熟度與可展示範圍
  • 聚焦在可驗證的技術棧、程式結構與已完成部分
  • 不要宣稱尚未部署、尚未錄影或尚未測試的能力已完成

後續規劃

  • 補更多匿名 demo scenario，例如資料品質檢查、訓練設定比較與 checkpoint evaluation
  • 把錄影腳本自動化，讓 demo 影片能隨 UI 更新重新產生
  • 將 2D/3D 訓練管線整理成單一可展示控制台

相關作品