AutoScript Sync 中的姿态估计
AutoScript Sync 生成 funscript 时，姿态估计由在你电脑上运行的 YOLOv8-pose 模型完成。它在采样帧中找出每个人，并在其身上标出 17 个关键点。追踪器逐帧跟随这些人，把他们的动作转化为候选位置信号。姿态是可选的：它只是几个候选信号之一，没有姿态模型时，引擎只靠光流运行。
已于 2026 年 9 月 21 日对照应用代码核实。
每个 Accuracy 档位使用哪个模型
YOLOv8-pose 共有四种尺寸。应用会自动下载 small 模型；其他模型需通过应用内的 Download best 选择器获取，它在 GPU 上推荐 large 模型，在 CPU 上推荐 small 模型。
| 模型 | 大小 | 在 CUDA GPU 上用于 |
|---|---|---|
yolov8n-pose (nano) | 约 13 MB | Fast |
yolov8s-pose (small) | 约 45 MB | Balanced；默认下载的模型 |
yolov8m-pose (medium) | 约 99 MB | Balanced 和 High 的首选模型未安装时的第二选择 |
yolov8l-pose (large) | 约 168 MB | High |
此对应关系在开启 Auto-pick model tier from Accuracy 时适用，这是默认设置。应用只能选择已经安装的模型，因此在默认安装下，每个档位都运行 small 模型，直到你下载其他模型。在 CPU 上的上限是刻意设定的：Fast 只用 nano，Balanced 和 High 最多用 small 模型。你也可以自己为应用指定一个模型文件。
模型看到的内容：每人 17 个关键点
默认情况下，姿态会在每个采样帧上运行，使用的是引擎其他部分同样使用的 320 px 宽分析图像。该帧会加黑边缩放到模型的输入尺寸：ONNX 模型使用导出时的尺寸（标准导出为 640 px），通过自带 Ultralytics 包运行的 .pt 模型则以 320 px 工作。
置信度高于 0.35 的每个人都会被保留，带有 17 个标准 COCO 关键点：头部各点、肩、肘、腕、髋、膝和踝。姿态运行的频率由 config.json 中的步长（pose_every_n）决定，出厂设置为每个采样帧都运行。
人物追踪器如何保持身份
只有在整个场景中持续跟随同一个人，检测结果才有用。AutoScript Sync 为此使用的是自己的追踪器，而不是现成的。它根据框中心之间的距离和框的大小在帧之间匹配人物，优先采用最近的匹配。
它从被追踪的人物身上构建出几个候选信号：髋部的垂直运动，以及成对身体区域的相对运动（髋部对髋部、头部对髋部、手部对髋部），每项都除以身体尺寸。每个候选信号按三个方面打分：
- 重复性有多强：其功率落在 0.2 到 4 Hz 之间最强峰值上的比例；
- 覆盖率：它在场景中实际被测量到的比例，低于 40% 的记为零；
- 幅度：它移动的程度。
得分最高的候选信号在每个场景章节中分别胜出，因此场景之间体位的变化，可能会改变姿态所提供的是哪个身体区域的信号。
姿态为脚本带来了什么
姿态不会单独写出脚本。最终的位置轨迹由约束到锚点上的光流构建而成，姿态只是锚点候选之一，另外两个是运动区域的中心和深度。只有当姿态覆盖视频的至少 25%，且其按质量加权的得分超过区域中心得分的 0.6 倍时，它才能成为该视频唯一选中的锚点。未被选中时，它仍会参与默认的所有可读通道逐样本混合，而该混合只有在得分不低于选中通道时才会被采用。每个候选的选举得分都会写入脚本的元数据，你可以看到是谁胜出。
姿态也有助于标注动作类型。关键点的几何关系和面部位置会作为每个 2 秒窗口标签的依据，并可以推翻或调整分类器的判断。
姿态对行程轨迹的改善程度尚未得到证明。在一部测试影片上，开关姿态只让与参考脚本的行程一致性（F1）在 0.607 和 0.610 之间变化，低于开发者视为有意义的 0.01 差值（每次运行之间的噪声约为 ±0.005）。该参考是由手绘追踪框引导的引擎输出，而不是手工制作的脚本；轻量和重量级姿态模型在行程准确度上的对比也没有记录。
在 GPU 上运行，以及 CPU 备用方案
姿态模型在本地运行：ONNX 格式通过 ONNX Runtime 运行，.pt 文件则通过自带的 Ultralytics 和 PyTorch 运行。加速仅支持 NVIDIA CUDA；模型没有 AMD 或 Intel 加速，也不使用 TensorRT。
当 CUDA 无法使用时，ONNX Runtime 可能会悄无声息地在 CPU 上加载，因此应用会检查会话实际获得的是哪个执行提供程序，而不是想当然。如果请求了 CUDA GPU 但无法使用，姿态会退回到 CPU，应用会报告正在使用的提供程序。Check GPU 按钮可随时执行这项检查；它显示的 ms/帧是姿态模型自身的自检结果，而不是整个分析的速度。
默认情况下，应用还会关闭 cuDNN 自动调优，让 GPU 推理在每次运行时给出相同的数值，代价是一定的速度。但这并不保证重新生成时得到完全相同的脚本，因为应用会在两次运行之间学习。
局限
- 身体被遮挡。模型看不到的关键点不会被测量。在场景中测量覆盖不到 40% 的候选信号记为零分，而覆盖视频不到 25% 时姿态无法成为选中的锚点，因此在遮挡严重的场景中，脚本会转而依赖光流和区域中心。
- 画面拥挤。追踪器只根据框的位置和大小匹配人物。它没有外观模型，所以当人物重叠或交叉时，身份可能会在帧之间互换。
- 人物过小。姿态在 320 px 的分析帧上运行，所以在广角镜头中只占画面一小部分的人，只能给模型很少的像素。
- 速度。在开发者的测量中，姿态一直占分析时间的最大份额，这就是为什么各档位在 Fast 下选用更小的模型，并在 CPU 上限制模型大小。
常见问题
制作脚本需要姿态模型吗？
不需要。没有姿态模型时，引擎只靠光流运行，Inference 状态栏会明确显示。除非你关闭自动下载，small 姿态模型会自动下载。
我应该下载 large 姿态模型吗？
在 NVIDIA GPU 上，Download best 会推荐它，High 也会使用它。我们没有测量过它是否比 small 模型生成更好的脚本，所以这是一个选择，而不是解决方案。
姿态能在 AMD 或 Intel 显卡上运行吗？
没有加速。AI 模型只使用 NVIDIA CUDA；在其他硬件上，姿态在 CPU 上运行，可以工作但慢得多。
姿态模型会向网上发送任何内容吗？
不会。它在你的电脑上运行，应用的分析模块不含任何网络代码。只有下载模型本身需要联网。
延伸阅读
- AI funscript 生成的原理完整的处理流程，以及姿态在其中的位置。
- 光流动作追踪与姿态相互权衡的那个信号。
- 基于 MiDaS 的深度估计另一个可选模型，以及它补回的那条轴。
- 在 Windows 上运行 AutoScript SyncGPU、CPU、安装程序会带来什么，以及模型存放在哪里。